May, 2024

基于视觉的食物重量估算方法

PDF
TL;DR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。
food weight estimationvision-based approachdeep learningcomputer vision techniquesfaster r-cnn
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

  • 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

  • 食品行业中的计算机视觉：基于预训练的 MobileNetV2 的精确、实时、自动化食品识别

    当代社会中，运用人工智能进行自动食品识别在营养追踪、减少食物浪费以及提升食品生产和消费效率等方面具有巨大的潜力。该研究使用预训练的 MobileNetV2 模型，结合多种技术手段，提高了食品识别的性能和鲁棒性，从而可应用于实际应用中。

    May, 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

  • 基于视觉感知层次的食品识别

    本研究提出了一种新的基于 Convolutional Neural Networks (CNNs) 的两步骤食物识别系统，其中包括基于 Faster R-CNN 方法的食物定位和用于执行基于视图关联的分类任务的多任务 CNN 模型，该模型能够自动生成表达食物类别语义视觉关系的层次结构。实验结果表明，该系统在 4 个公开数据集和新的 VFN 数据集上均可以显著提高分类和识别性能。

    Dec, 2020

  • 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

  • 卷积神经网络（CNN）在食品图像识别中的应用

    通过构建一个 5822 张图片数据集并使用五层 CNN 网络结构，利用几何变换的数据扩充技术来提高训练图片的数量，利用支持向量机（SVM）和 Bag-of-features（BoF）来进行食品图片识别，最终达到超过 90% 的准确率，有效避免 CNN 过度训练问题。

    Dec, 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

  • 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