論文の概要: Dietary Intake Estimation via Continuous 3D Reconstruction of Food

• arxiv url: http://arxiv.org/abs/2505.00606v1
• Date: Thu, 01 May 2025 15:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.358074
• Title: Dietary Intake Estimation via Continuous 3D Reconstruction of Food
• Title（参考訳）: 食品の連続3次元再構成による食事摂取量の推定
• Authors: Wallace Lee, YuHao Chen,
• Abstract要約: 本研究では,モノクロ2Dビデオから構築した3次元食品モデルを利用して,摂取行動の正確なモニタリングを行う手法を提案する。 おもちゃのモデルと実際の食品による実験は、アプローチの可能性を示している。
• 参考スコア（独自算出の注目度）: 5.010690651107531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monitoring dietary habits is crucial for preventing health risks associated with overeating and undereating, including obesity, diabetes, and cardiovascular diseases. Traditional methods for tracking food intake rely on self-reported data before or after the eating, which are prone to inaccuracies. This study proposes an approach to accurately monitor ingest behaviours by leveraging 3D food models constructed from monocular 2D video. Using COLMAP and pose estimation algorithms, we generate detailed 3D representations of food, allowing us to observe changes in food volume as it is consumed. Experiments with toy models and real food items demonstrate the approach's potential. Meanwhile, we have proposed a new methodology for automated state recognition challenges to accurately detect state changes and maintain model fidelity. The 3D reconstruction approach shows promise in capturing comprehensive dietary behaviour insights, ultimately contributing to the development of automated and accurate dietary monitoring tools.
• Abstract（参考訳）: 食事習慣のモニタリングは、肥満、糖尿病、心血管疾患など、過食や過食に関連する健康リスクの予防に不可欠である。 食事の摂取を追跡する従来の方法は、食事の前後の自己申告されたデータに依存しており、これは不正確である。 本研究では,モノクロ2Dビデオから構築した3次元食品モデルを利用して,摂取行動の正確なモニタリングを行う手法を提案する。 COLMAPとポーズ推定アルゴリズムを用いて、食品の詳細な3次元表現を生成し、消費される食品量の変化を観察する。 おもちゃのモデルと実際の食品による実験は、アプローチの可能性を示している。 一方,我々は,状態変化を正確に検出し,モデルの忠実性を維持するために,自動状態認識のための新しい手法を提案している。 3D再構築アプローチは、包括的な食事行動の洞察を捉え、最終的には、自動化された正確な食事監視ツールの開発に寄与する。

関連論文リスト

• DietGlance: Dietary Monitoring and Personalized Analysis at a Glance with Knowledge-Empowered AI Assistant [36.806619917276414]
  本稿では,日常の食生活を自動的に監視し,知識ソースからパーソナライズされた分析を行うシステムであるDietGlanceを紹介する。 DietGlanceはまず、眼鏡を使ってマルチモーダル入力から摂取エピソードを検出し、消費されているさまざまな料理のプライバシー保護食の画像をキャプチャする。 推定食品とこれらの画像からの消費量に基づいて、栄養分析とパーソナライズされた食生活の提案も提供する。
  論文  参考訳（メタデータ） (2025-02-03T12:46:37Z)
• 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)
• 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)
• 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)
• 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)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)
• An Intelligent Passive Food Intake Assessment System with Egocentric Cameras [14.067860492694251]
  栄養失調は低所得国(LMIC)の主要な公衆衛生問題である 我々は,エゴセントリックカメラを用いた知的受動的摂食評価システムの実装を提案する。 摂取量を確実に監視し、ユーザの食行動にフィードバックを与えることができます。
  論文  参考訳（メタデータ） (2021-05-07T09:47:51Z)
• 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)
• An Artificial Intelligence-Based System to Assess Nutrient Intake for Hospitalised Patients [4.048427587958764]
  入院患者の栄養摂取の定期的なモニタリングは、疾患関連栄養失調のリスクを低減する上で重要な役割を担っている。 本稿では,栄養摂取量を正確に推定する人工知能(AI)に基づく新しいシステムを提案する。
  論文  参考訳（メタデータ） (2020-03-18T15:28:51Z)

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。