論文の概要: Single-Image Food Mass Estimators Do Not Transfer Their Gram Scale Across Datasets

• arxiv url: http://arxiv.org/abs/2610.29025v1
• Date: Wed, 21 Oct 2026 00:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.168209
• Title: Single-Image Food Mass Estimators Do Not Transfer Their Gram Scale Across Datasets
• Title（参考訳）: 単一画像の食品質量推定装置は、データセット全体にわたってグラムスケールを転送しない
• Abstract要約: 写真から食品の質量を推定することは、画像に基づく食事評価の中心である。 2,253重量のNutrition5k皿にDINOv2塩基を微調整し、1枚のRGB写真から質量を予測する。 同じ食品のラベル付き写真は、ASA24の誤差を28.3gに削減した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating food mass from a photograph is central to image-based dietary assessment, but whether trained models transfer to new cameras and foods is unclear. We fine-tuned DINOv2-base on 2,253 weighed Nutrition5k dishes to predict mass from one RGB photograph and compared it with a zero-shot vision-language model, Qwen3-VL-32B, on Nutrition5k and three external datasets: ASA24 studio portions, ECUSTFD whole foods and Food Portion Benchmark meal trays. In domain, the fine-tuned model's mean absolute error was 24.8 g, less than half of Qwen's. On external datasets it did not beat Qwen. For a food it had never seen, it ranked portions by size, but no better than a count of food pixels. Its gram scale was wrong in two ways: it changed with how much of the scene the photograph showed, and it was off by a different factor for each food. Training on other foods or trays from the tested dataset cut the external error by 38 to 65%. DINOv2-large, a larger backbone trained on the same dishes, did not reduce the external error. One labeled photograph of the same food cut the model's ASA24 error to 28.3 g, better than that photograph achieved alone. Prediction intervals that held the true mass for 90% of Nutrition5k dishes held it for at most half of external photographs. Nutrition5k often photographed the same plate several times, so a random test split shared near-identical photographs with training and overstated accuracy. Single-image mass estimators therefore need labeled photographs from the setting where they are used.
• Abstract（参考訳）: 写真から食品の質量を推定することは、画像に基づく食事評価の中心であるが、訓練されたモデルが新しいカメラや食品に移るかどうかは不明である。 2,253枚の重み付きNutrition5k料理のDINOv2ベースを微調整し、1枚のRGB写真から質量を予測するとともに、Nutrition5kのゼロショットビジョン言語モデルQwen3-VL-32Bと、3つの外部データセット、ASA24スタジオ部分、ECUSTFD全食品、フードポーションベンチマークの食トレーと比較した。 ドメインでは、細調整されたモデルの平均絶対誤差は24.8gであり、Qwenの半分以下である。 外部データセットでは、Qwenに勝てなかった。 今まで見たことのない食べ物は、サイズによって分類されるが、食品のピクセルの数に匹敵するものではない。 そのグラムスケールは2つの点で間違っていた。写真が写っているシーンの量によって変化し、それぞれの食品ごとに異なる要因で切り離された。 テストデータセットからの他の食品やトレイのトレーニングは、外部エラーを38～65%削減した。 同じ料理で訓練された大きなバックボーンであるDINOv2-largeは、外部のエラーを減らさなかった。 同じ食品のラベル付き写真は、ASA24の誤差を28.3gに削減した。 実際の質量を保持する予測間隔は、栄養5kの料理の90%が外部写真の半分以上を占めていた。 Nutrition5kは、しばしば同じプレートを数回撮影するため、ランダムなテスト分割は、訓練と過度な精度で、ほぼ同一の写真を共有した。 したがって、単一画像の質量推定器は、それらが使用される場所からラベル付きの写真を必要とする。

関連論文リスト

• Small Average Error, Wide Individual Error: General-Purpose LLMs Estimating Energy Intake from Meal Photos in a Feeding Trial [14.036325517215529]
  フォトベースの食品エネルギー推定は、食事評価を緩和する可能性がある。 汎用多目的大言語モデル(LLM)は、そのような推定を簡単に得る。 低平均偏差は正確な個人摂取推定の証拠ではない。
  論文  参考訳（メタデータ） (2026-10-19T15:00:20Z)
• FoodTrack: Estimating Handheld Food Portions with Egocentric Video [5.010690651107531]
  FoodTrackは、食品の量を直接見積もる。 ハンドヘルド食品の絶対損失率は約7.01%である。
  論文  参考訳（メタデータ） (2025-05-07T01:53:16Z)
• 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)
• Food Portion Estimation via 3D Object Scaling [8.164262056488447]
  本稿では2次元画像から食品の体積とエネルギーを推定する新しい枠組みを提案する。 入力画像中のカメラと食品オブジェクトのポーズを推定する。 また、45の食品の2D画像を含むSimpleFood45という新しいデータセットも導入しました。
  論文  参考訳（メタデータ） (2024-04-18T15:23:37Z)
• 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)
• 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)
• 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)
• 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)

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。