该研究提出了一种创新、可扩展且稳健的智能营养不良监测系统，通过对个体的全身图像进行多模态学习，在重建精确度极高的三维点云的基础上，通过 512 维特征嵌入和可学习参数的应用，精确估计身高和体重，并计算基础代谢率、体脂百分比和体质指数以进行全面的健康分析，从而为个体提供个性化的营养计划。

Jul, 2023

我们提出了一种多任务学习方法，通过对超声图像进行分类和分割来准确估计胎儿生物度量参数，实验结果在胎儿超声图像数据集上达到了很高的分类准确率和较小的平均绝对误差。

Nov, 2023

使用深度卷积神经网络（CNN）自动测量胎儿头围、双顶径、腹围和股骨长度，以及使用胎儿超声视频估计胎龄和胎儿重量，利用名为 FUVAI 的新型多任务基于 CNN 的时空胎儿 US 特征提取和标准平面检测算法。我们发现，自动测量胎儿生物测量学功能的 FUVAI 和由有经验的超声医生进行的测量相比是可比较的。再者，分析表明，当将任何个别医疗专家与我们的模型进行比较时，这些差异在统计学上并不显着。

May, 2022

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

基于数据驱动的评估方法，通过提取婴儿的运动模式和应用图卷积网络，达到对婴儿神经发育的实际年龄预测，并提高了传统基于手动设计特征的机器学习基准。

Feb, 2024

通过比较七种不同的姿势估计方法，对婴儿在仰卧位的视频进行分析，发现除了 DeepLabCut 和 MediaPipe 外，其他方法在无需微调的情况下都表现出竞争力，其中 ViTPose 表现最佳。同时，引入颈中臀比例的错误和其他误测、多余检测以及不同方法的内部置信度评分可靠性的研究，这些都对下游任务有重要意义。

Jun, 2024

我们提出了一种新颖的人体模型，通过一套广泛的人体测量数据生成，可产生各种人体形状和姿势。该模型通过深度生成架构，直接建模具体的人的身份，能够在任意姿势下生成人体。它是首个只使用合成数据进行端到端训练的模型，不仅提供高度准确的人体网格表示，还允许对人体的精确测量。此外，我们利用多样的动画库对合成人体的身体和手部进行了良好的描述，以最大化模型训练的可学习先验的多样性。我们的模型使用了 10 万个程序生成的姿势人体网格及其对应的人体测量数据进行训练。我们的合成数据生成器可用于为非商业学术研究目的生成数百万个独特的人体身份和姿势。

Sep, 2023

利用可穿戴式技术和机器学习算法实现对婴儿活动的自动记录和分类，有助于早期发现发育不良的婴儿并为神经发育障碍的预防和治疗提供新的方法。

Sep, 2019

通过从整个扫描中聚合自动提取的生物测量数据，无需人工干预，本研究引入一种范式转变，实现了与人类水平相当的生物测量性能，以及正确估算胎儿生物测量数据的可信区间。

Jan, 2024

本篇研究提出了一种名为 BodyNet 的神经网络，通过直接推断体积棱柿，从而预测自然图像中的三维人体形状，同时结合三维损失和多视角重投影损失以及适当的监督，实现了性能的提升；通过将 SMPL 模型应用于网络输出，并在 SURREAL 和 Unite the People 数据集上展示了最先进的结果，证明了本方法的有效性。

Apr, 2018