論文の概要: AI4Food-NutritionFW: A Novel Framework for the Automatic Synthesis and Analysis of Eating Behaviours

• arxiv url: http://arxiv.org/abs/2309.06308v1
• Date: Tue, 12 Sep 2023 15:19:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-13 12:22:16.518985
• Title: AI4Food-NutritionFW: A Novel Framework for the Automatic Synthesis and Analysis of Eating Behaviours
• Title（参考訳）: AI4Food-NutritionFW:食行動の自動合成と分析のための新しいフレームワーク
• Authors: Sergio Romero-Tapiador, Ruben Tolosana, Aythami Morales, Isabel Espinosa-Salinas, Gala Freixer, Julian Fierrez, Ruben Vera-Rodriguez, Enrique Carrillo de Santa Pau, Ana Ram\'irez de Molina and Javier Ortega-Garcia
• Abstract要約: 本稿では,食行動に応じた食品画像データセット作成のためのフレームワークであるAI4Food-NutritionFWを提案する。 15の異なるプロファイルと1200の被験者から4,800の異なる週ごとの食事行動を含む、ユニークな食品画像データセットについて述べる。 また,提案したAI4Food-NutritionFWのソフトウェア実装と,それを用いた食品画像データセットもリリースしている。
• 参考スコア（独自算出の注目度）: 15.054674226906265
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nowadays millions of images are shared on social media and web platforms. In particular, many of them are food images taken from a smartphone over time, providing information related to the individual's diet. On the other hand, eating behaviours are directly related to some of the most prevalent diseases in the world. Exploiting recent advances in image processing and Artificial Intelligence (AI), this scenario represents an excellent opportunity to: i) create new methods that analyse the individuals' health from what they eat, and ii) develop personalised recommendations to improve nutrition and diet under specific circumstances (e.g., obesity or COVID). Having tunable tools for creating food image datasets that facilitate research in both lines is very much needed. This paper proposes AI4Food-NutritionFW, a framework for the creation of food image datasets according to configurable eating behaviours. AI4Food-NutritionFW simulates a user-friendly and widespread scenario where images are taken using a smartphone. In addition to the framework, we also provide and describe a unique food image dataset that includes 4,800 different weekly eating behaviours from 15 different profiles and 1,200 subjects. Specifically, we consider profiles that comply with actual lifestyles from healthy eating behaviours (according to established knowledge), variable profiles (e.g., eating out, holidays), to unhealthy ones (e.g., excess of fast food or sweets). Finally, we automatically evaluate a healthy index of the subject's eating behaviours using multidimensional metrics based on guidelines for healthy diets proposed by international organisations, achieving promising results (99.53% and 99.60% accuracy and sensitivity, respectively). We also release to the research community a software implementation of our proposed AI4Food-NutritionFW and the mentioned food image dataset created with it.
• Abstract（参考訳）: 現在、何百万もの画像がソーシャルメディアやウェブプラットフォームで共有されている。 特に、多くは時間とともにスマートフォンから撮影された食事画像であり、個人の食事に関する情報を提供する。 一方、摂食行動は世界で最も多い疾患のいくつかと直接関係している。 画像処理と人工知能(AI)の最近の進歩により、このシナリオは素晴らしい機会となる。 一 食べるものから個人の健康を解析する新しい方法を作成すること、及び 二 特定の状況(肥満又はcovid-19等)において栄養及び食生活を改善するための個人化された勧告を開発すること。 両方の行の研究を容易にする、食品画像データセットを作成するための調整可能なツールを持つことは、非常に必要です。 本稿では,食品画像データセット作成のためのフレームワークであるai4food-nutritionfwを提案する。 AI4Food-NutritionFWは、スマートフォンで画像を撮影するユーザフレンドリで広範なシナリオをシミュレートする。 このフレームワークに加えて、15の異なるプロファイルと1200の被験者から4,800の異なる毎週の食事行動を含む、ユニークな食品画像データセットも提供し、記述する。 具体的には、健康な食事行動(確立した知識による)、変動プロファイル(例えば、外食、休日)から不健康なもの(例えば、ファーストフードや菓子の過剰)まで、実際の生活習慣に従うプロファイルを検討する。 最後に,国際機関が提案する健康食に関するガイドラインに基づく多次元指標を用いて,被験者の摂食行動の健康指標を自動評価し,有望な結果を得た(それぞれ99.53%,99.60%)。 また,提案するai4food-nutritionfwとそれを用いた食品イメージデータセットのソフトウェア実装を研究コミュニティに公開しています。

関連論文リスト

• Shape-Preserving Generation of Food Images for Automatic Dietary Assessment [1.602820210496921]
  条件付き食品画像生成のための簡単なGANベースのニューラルネットワークアーキテクチャを提案する。 生成された画像中の食品や容器の形状は、参照入力画像の形状とよく似ている。
  論文  参考訳（メタデータ） (2024-08-23T20:18:51Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
  食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
  論文  参考訳（メタデータ） (2023-11-20T11:05:20Z)
• Personalized Food Image Classification: Benchmark Datasets and New Baseline [8.019925729254178]
  本稿では、自己教師付き学習と時間的特徴情報を活用することにより、個人化された食品画像分類のための新しい枠組みを提案する。 提案手法は両方のベンチマークデータセットで評価され,既存手法と比較して性能が向上した。
  論文  参考訳（メタデータ） (2023-09-15T20:11:07Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake Estimation [65.47310907481042]
  高齢者の4人に1人は栄養不良です。 機械学習とコンピュータビジョンは、食品の自動栄養トラッキング方法の約束を示す。 NutritionVerse-3Dは、105個の3D食品モデルの大規模な高解像度データセットである。
  論文  参考訳（メタデータ） (2023-04-12T05:27:30Z)
• Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
  栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。 米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。 提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
  論文  参考訳（メタデータ） (2022-06-05T02:41:44Z)
• A Large-Scale Benchmark for Food Image Segmentation [62.28029856051079]
  我々は9,490枚の画像を含む新しい食品画像データセットFoodSeg103(およびその拡張FoodSeg154)を構築します。 これらの画像に154種類の成分を付加し,各画像は平均6つの成分ラベルと画素単位のマスクを有する。 ReLeMと呼ばれるマルチモダリティプリトレーニングアプローチを提案し、豊富なセマンティックな食品知識を持つセグメンテーションモデルを明確に装備します。
  論文  参考訳（メタデータ） (2021-05-12T03:00:07Z)
• Saliency-Aware Class-Agnostic Food Image Segmentation [10.664526852464812]
  クラス別食品画像分割法を提案する。 画像の前後の情報を利用すれば、目立たないオブジェクトを見つけることで、食べ物のイメージをセグメンテーションすることができる。 本手法は,食餌研究から収集した食品画像を用いて検証する。
  論文  参考訳（メタデータ） (2021-02-13T08:05:19Z)
• MyFood: A Food Segmentation and Classification System to Aid Nutritional Monitoring [1.5469452301122173]
  食料モニタリングの欠如は、人口の体重増加に大きく寄与している。 食品画像を認識するためにコンピュータビジョンでいくつかのソリューションが提案されているが、栄養モニタリングに特化しているものはほとんどない。 本研究は, ユーザの食事と栄養摂取の自動モニタリングを支援するために, 画像に提示された食品を分類・分別するインテリジェントシステムの開発について述べる。
  論文  参考訳（メタデータ） (2020-12-05T17:40:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。