Sep, 2023

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

PDF
TL;DR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。
food imagesimage processingartificial intelligencenutritioneating behaviors
发现论文，激发创造
  • 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

  • FoodAI: 基于深度学习的食品图像识别智能饮食记录

    使用图像识别技术的智能食品日志记录系统 FoodAI 对健康监控和饮食控制非常重要，并且已被广泛应用于新加坡的移动应用程序 Healthy 365 中。

    Sep, 2019

  • 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

  • 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

  • 基于分层方法对自拍照流中的食品场景进行分类

    该研究提供了自动工具，可通过每日拍摄的照片流来个性化分析人们的健康习惯，并提出了一种新的自动分类方法来分类与食物相关的环境，同时构建了一个具有语义层次结构的模型，并介绍了一个超过 33000 张图像的数据集，其分类准确度和 F 分数分别为 56％和 65％，明显优于基线方法。

    May, 2019

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

    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。

    Apr, 2023

  • 个性化食物图像分类：基准数据集和新基线

    提出了两个个人化食物图像分类基准数据集，Food101-Personal 和 VFNPersonal，以及利用自我监督学习和时间图像特征信息的个人化食物图像分类新框架，并在基准数据集上展示了相比现有方法更好的性能。

    Sep, 2023

  • 利用上下文支持餐厅自动食品识别

    利用手机相机，基于餐馆菜单照片数据库，结合计算机视觉技术，识别不同餐馆不同食品种类的图像，以达到自动化的饮食日记记录。

    Oct, 2015

  • 从 AIM-2 可穿戴传感器自动识别饮食环境

    通过使用神经网络和两阶段训练框架，结合微调和迁移学习技术，本研究成功应对了数据不平衡问题，实现了 96.63% 的高分类准确率，从而自动识别摄入环境。

    May, 2024

  • 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