相关实验视频
Updated: Jul 5, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
mid-DeepLabv3+:一种用于图像语义细分的新方法,应用于非洲食品饮食评估
Thierry Roland Baban A Erep1, Lotfi Chaari1
1Toulouse INP, University of Toulouse, Institut de Recherche en Informatique de Toulouse, 31400 Toulouse, France.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
这项研究介绍了中期的DeepLabv3+,一个改进的食品图像细分模型,以及CamerFood10,一个关于撒哈拉以南非洲食物的新数据集. 这些进步增强了基于视觉的饮食评估系统.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 营养科学 营养科学
背景情况:
- 基于视觉的饮食评估 (VBDA) 系统对于营养分析至关重要,但在食品图像细分方面面临挑战.
- 现有的研究主要集中在亚洲和西方美食上,忽视了撒哈拉以南非洲食物的独特复杂性,例如高层次的相似性和混合层次的菜.
研究的目的:
- 增强VBDA系统对撒哈拉以南非洲美食的食品图像细分阶段.
- 引入改进的细分模型和专门的数据集,以解决现有的局限性.
主要方法:
- 中期DeepLabv3+的开发,这是一个修改后的DeepLabv3+模型,具有ResNet50骨干,包含额外的解码器层和SimAM模块.
- 创建了CamerFood10,这是第一个针对撒哈拉以南非洲食品细分的食品图像数据集,其中包括10种常见的喀麦隆食品.
- 在CamerFood10数据集上使用语义图像分割基准评估中期DeepLabv3+模型.
主要成果:
- 拟议的中期DeepLabv3+模型在CamerFood10数据集上实现了65.20%的平均跨欧盟交叉点 (mIoU).
- 与具有相同ResNet50骨干的标准DeepLabv3+模型相比,这代表了+10.74%的显著改进.
- 在这种情况下,mid-DeepLabv3+在语义图像细分方面的表现优于其他基准卷积神经网络模型.
结论:
- 中期DeepLabv3+模型和CamerFood10数据集代表了撒哈拉以南非洲饮食的食品图像细分方面的重大进展.
- 这些贡献有望提高基于视觉的饮食评估系统在不同人群中的准确性和适用性.
- 进一步的研究可以利用这些工具来加强该地区的营养监测和公共卫生倡议.
