Sep, 2023

一种改进的食物能量估计的编码器 - 解码器框架

PDF
TL;DR通过改进的编码器 - 解码器框架，我们能够从单个单目图像中估算食物的能量信息，通过在易于提取的格式中嵌入图像并由解码器提取能量信息，实现超过 10% 的改进，MAPE 上高于以往的能量估算方法超过 30 kCal 的改善。
dietary assessmentimage-based dietary assessmentfood energy estimationencoder-decoder frameworkcaloric estimation methods
发现论文，激发创造
  • 基于单眼图像的形状重建的端到端食物分量估计框架

    通过使用单目图像进行三维形状重建，我们提出了一种端到端深度学习框架，用于从食物图像中估计食物能量，其在公开的食品图像数据集 Nutrition5k 上评估结果显示，我们的方法具有竞争力的性能，只需使用 RGB 图像作为推理阶段的唯一输入。

    Aug, 2023

  • 基于图像的食品能量估计及深度领域自适应

    本文提出了一种通过使用 “能量密度地图” 和深度图来自动估算食物能量的技术，同时将其与基线方法相比较，实验结果显示其性能得到了显著提高。

    Aug, 2022

  • 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

  • 膳食管理的营养估计：基于深度感知的变形器方法

    NuNet 是一种基于变压器的网络，利用食物图像的 RGB 和深度信息进行营养估计，通过多尺度架构和融合模块，实现了最低已知的 15.65% 的误差率，在饮食管理方面具有重要实用价值和跨国研究和部署的潜力。

    Jun, 2024

  • 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

  • 基于新型大规模食谱数据集的热量预测多任务学习方法

    本研究提出 pic2kcal 基准，通过学习人们在互联网上发布的食谱来直接从图像中估算餐的卡路里含量，并通过多任务范式扩展神经网络进行蛋白质、碳水化合物和脂肪量预测以及多标签成分分类。实验表明，多任务学习可以显著提高卡路里估计，优于单任务卡路里回归 9.9%。

    Nov, 2020

  • 基于图像的多任务饮食评估：食物识别和份量估算

    本研究提出了一种端到端的多任务学习框架，可以同时实现食品分类和食品份量估计，通过使用 L2 范数的软参数共享和特征适应方法，提高了图像饮食评估的性能和预测准确率。

    Apr, 2020

  • 基于视觉的食物重量估算方法

    该研究提出了一种基于视觉的方法，利用 2D 图像来估计食物重量，采用深度学习和计算机视觉技术，使用 Faster R-CNN 进行食物检测和 MobileNetV3 进行重量估计，该方法在提供准确食物重量估计方面表现出强大的能力，并可用于医疗保健、健身和智能食物存储等领域。

    May, 2024

  • DPF-Nutrition: 基于深度预测和融合的食物营养估计

    通过深度学习，本研究提出了 DPF-Nutrition 这种基于单目图像的营养估计方法，通过引入深度预测模块和 RGB-D 融合模块，在食物的部分估计和营养估计方面提高了准确性，并在 Nutrition5k 数据集上进行了广泛的实验评估。

    Oct, 2023

  • 多标签学习在食品成分识别中的应用

    研究了自动饮食评估系统中视觉识别食物的核心功能，使用深度多标签学习方法评估了几种最先进的神经网络，以在图像中检测任意数量的成分，并针对编码使用了多个著名的神经网络模型。在使用挑战性数据集 Nutrition5K 上，取得了有希望的初步结果，并为未来的探索奠定了坚实的基础。

    Oct, 2022