Fugu-MT 論文翻訳(概要): Detecting Korean Food Using Image using Hierarchical Model

論文の概要: Detecting Korean Food Using Image using Hierarchical Model

arxiv url: http://arxiv.org/abs/2409.02448v1
Date: Wed, 4 Sep 2024 05:06:34 GMT
ステータス: 処理完了
システム内更新日: 2024-09-05 20:15:07.485198
Title: Detecting Korean Food Using Image using Hierarchical Model
Title（参考訳）: 階層モデルを用いた画像による韓国料理の検出
Authors: Hoang Khanh Lam, Kahandakanaththage Maduni Pramuditha Perera,
Abstract要約: 料理の鮮明な写真をアップロードするだけで、ユーザーは自分が何を食べているかを知ることができる。画像処理技術と機械学習は、このソリューションの実現に役立った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A solution was made available for Korean Food lovers who have dietary restrictions to identify the Korean food before consuming. Just by uploading a clear photo of the dish, people can get to know what they are eating. Image processing techniques together with machine learning helped to come up with this solution.
Abstract（参考訳）: 食事制限のある韓国料理愛好家に対して、食べる前に韓国料理を識別するソリューションが提供された。料理の鮮明な写真をアップロードするだけで、ユーザーは自分が何を食べているかを知ることができる。画像処理技術と機械学習は、このソリューションの実現に役立った。

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)
FoodieQA: A Multimodal Dataset for Fine-Grained Understanding of Chinese Food Culture [60.51749998013166]
中国各地の食文化の複雑な特徴を,手作業でキュレートした,きめ細かい画像テキストデータセットであるFoodieQAを紹介した。視覚言語モデル(VLM)と大規模言語モデル(LLM)を,新たに収集した未確認食品画像およびそれに対応する質問に対して評価する。以上の結果から,食品とその文化的意味の理解は依然として困難かつ未解明の方向にあることが示唆された。
論文参考訳（メタデータ） (2024-06-16T17:59:32Z)
How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文参考訳（メタデータ） (2024-05-12T00:16:02Z)
Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
論文参考訳（メタデータ） (2023-06-15T15:38:10Z)
A Central Asian Food Dataset for Personalized Dietary Interventions, Extended Abstract [2.449909275410288]
我々は,公共消費者と研究者の両方にとって容易にアクセス可能な,地域食品の信頼性の高いデータセットを作成することを目指している。最終データセットには42の食品カテゴリーと16,000以上の国産料理の画像が含まれている。我々は,ResNet152ニューラルネットワークモデルを用いて,CAFDの分類精度88.70%(42クラス)を達成した。
論文参考訳（メタデータ） (2023-05-12T05:26:55Z)
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)
An End-to-End Food Image Analysis System [8.622335099019214]
食品の局所化, 分類, 部分サイズ推定を統合した画像に基づく食品分析フレームワークを提案する。提案するフレームワークはエンドツーエンドであり,複数の食品を含む任意の食品画像として入力することができる。本研究の枠組みは,栄養摂食調査から収集した実生活食品画像データセットを用いて評価する。
論文参考訳（メタデータ） (2021-02-01T05:36:20Z)
Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
論文参考訳（メタデータ） (2020-03-09T07:41:17Z)

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。