Apr, 2023

NutritionVerse-3D：一份用于营养摄入量估计的三维食品模型数据集

PDF
TL;DR本研究利用机器学习和计算机视觉技术，采用 NutritionVerse-3D 大规模高质量高分辨率数据集，开发了一种收集食品 3D 模型的方法，推进了营养感知的机器学习加速开放计划。
nutrition trackingmachine learningcomputer vision3d food modelsnutrition sensing
发现论文，激发创造
  • NutritionVerse-Real：一项用于饮食摄入估计的开放获取的手工精选 2D 食物场景数据集

    营养素摄入估计的重要性和面向机器学习的营养感知的开放倡议在这篇论文中介绍了 NutritionVerse-Real 数据集的创建、分析和可用性。

    Nov, 2023

  • 营养宇宙：不同饮食摄入估计方法的实证研究

    准确的膳食摄入估计对于支持健康饮食的政策和计划至关重要，然而，自我报告方法存在严重的偏倚。为了解决这个问题，本文介绍了 NutritionVerse-Synth，这是第一个大规模的数据集，包含 84,984 张真实感合成的 2D 食物图像，以及相关的膳食信息和多模态注释。通过利用这些新颖的数据集，开发和评估了 NutritionVerse，包括间接基于分割和直接预测网络的各种膳食摄入估计方法。最后，发布了这两个数据集（NutritionVerse-Synth、NutritionVerse-Real），作为加速机器学习在膳食感知方面的开放倡议的一部分。

    Sep, 2023

  • 利用深度神经网络从食物图像中进行多任务营养预测的研究

    该论文通过利用各种神经网络结构来预测餐食图像的营养含量，提高了膳食摄入估计的效力，并展示了其在改善膳食摄入估计准确性方面的潜力。

    May, 2024

  • Nutrition5k：面向通用食品的自动营养理解

    该研究通过引入 Nutrition5k 数据集，采用计算机视觉算法能够精确预测真实世界中的复杂菜肴的热量和营养素值，并且具有超过专业营养学家的准确性，使这一领域的营养理解得到加速创新。

    Mar, 2021

  • NutritionVerse-Synth: 用于饮食摄入估计的开放式合成 2D 食物场景数据集

    通过物理模拟生成多样化逼真的餐食图片，克服数据限制，并驱动计算机视觉自动膳食评估的进步。

    Dec, 2023

  • NutritionVerse-Thin: 一种优化策略，用于改进 3D 薄食物模型的呈现

    该论文针对 3D 模型渲染中的薄物体问题，提出了一种基于可区分重构的优化策略，该方法针对薄物体进行了优化，达到了更好的渲染效果。

    Apr, 2023

  • 通过三维物体缩放进行食物容量估计

    本研究提出了一种新的框架，通过利用 3D 食物模型和场景中的物理参考，从 2D 图像中估计食物的容量和能量。该方法通过重现具有估计姿态的食物的 3D 模型图像，来估计输入图像中摄像头和食物物体的姿态。我们还介绍了一个新的数据集，SimpleFood45，其中包含 45 种食物的 2D 图像和相应的注释，包括食物的容量、重量和能量。我们的方法在这个数据集上的平均误差为 31.10 千卡（17.67%），表现优于现有的分量估计方法。

    Apr, 2024

  • 视觉 - 语言模型推动食品成分编译

    本文提出了一种基于视觉语言神经网络模型的 UMDFood-VL 模型，并利用最全面的 UMDFood-90k 多模态食品数据库，相较于传统的卷积神经网络（CNNs）和循环神经网络（RNNs），在各种营养价值估计上显著提高，尤其是在食品成分估计上取得了 95％的宏平均 AUCROC，具有一定的实际应用价值。

    May, 2023

  • DeepFood: 基于深度学习的食品图像识别用于计算机辅助膳食评估

    本研究旨在通过分析移动设备（如智能手机）捕获的食物图像来改进膳食评估的准确性，提出了一种新的基于卷积神经网络的食品图像识别算法，并将该方法应用于两个真实数据集（UEC-256 和 Food-101）中，取得了令人瞩目的结果。

    Jun, 2016

  • AI4Food-NutritionFW: 面向自动合成和分析饮食行为的新型框架

    利用图像处理和人工智能的最新进展，本文提出了 AI4Food-NutritionFW 框架，用于根据可配置的饮食习惯创建食物图像数据集，并通过多维度指标评估个体的饮食行为健康指数，取得了令人期待的结果。

    Sep, 2023