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
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
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。
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
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
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
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
使用3D生成技术进行食物容量估算,通过选择关键帧、分割参考物体、估计相机位置、独立构建参考和食物对象的网格,并通过精调缩放因子进行准确容量测量,实现了对食物容量的鲁棒准确估计,对计算营养和膳食监测的进展具有重要贡献。
Jul, 2024
基于最新的3D重建技术,我们主办了“MetaFood Workshop”及其“Physically Informed 3D Food Reconstruction”挑战赛,针对从2D图像中使用可见棋盘作为尺寸参考,重建食物项目的体积准确的3D模型。这项挑战在食物重建方面取得了有希望的结果,并有助于改善膳食评估和营养监测的份量估计。
该研究介绍了一种用于在视频中高质量、准实时地分割和跟踪食物项目的稳健框架,使用最少的硬件资源。该框架在食物分割和追踪方面表现出优越的性能,并通过引入一个新的食物数据集,提供了比先前的基准测试更具挑战性的场景。