相关实验视频
Updated: Jun 26, 2025

Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
使用定制深度神经网络和NLP进行细粒度食品图像分类和配方提取
Razia Sulthana Abdul Kareem1, Timothy Tilford1, Stoyan Stoyanov1
1School of Computing and Mathematical Sciences, Faculty of Engineering and Science, University of Greenwich, London, SE10 9LS, United Kingdom.
本研究引入了一种使用深度学习和自然语言处理的新框架,用于准确的食品图像分类和配方提取. 这种方法提高了对全球饮食习惯的理解,并促进了更健康的饮食选择.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 计算语言学 计算语言学
背景情况:
- 与饮食习惯相关的全球越来越多的健康问题正在推动人们对正念饮食的兴趣.
- 对食品相关数据的深度学习的应用正在获得分析和理解的吸引力.
- 食品图像识别方面的挑战,如类内变异性和类间相似性,需要先进的解决方案.
研究的目的:
- 开发一个综合框架来分类食品图像和自动化配方提取.
- 解决现有模型在处理复杂食品图像数据集方面的局限性.
- 提高食品数据分析的准确性和效率,以获得饮食洞察力.
主要方法:
- 为食品图像分类而开发了一种定制的轻量级深卷积神经网络,MResNet-50.
- 自然语言处理算法Word2Vec和Transformers被用于自动化成分和配方提取.
- 构建了一个半结构化域本体学,以绘制美食,食品和成分之间的关系.
主要成果:
- 拟议的框架在Food-101和UECFOOD256数据集上实现了更高的准确性,分别增加了2.4%和7.5%.
- 该模型与现有方法 (如DeepFood,CNN-Food和Wiser) 相比,表现出更高的性能.
- 成功实现了原料和配方的自动提取,证明了该框架的实际实用性.
结论:
- 新的框架有效地整合了深度学习和NLP,用于增强食品图像分类和配方提取.
- 该方法在分析食品相关数据方面取得了重大进展,解决了该领域的关键挑战.
- 这项工作为开发更复杂的人工智能驱动工具的基础,用于饮食分析和正念饮食倡议.
更多相关视频
07:47Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification
Published on: February 14, 2018
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
相关概念视频
Classification of Signals
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
Neural Regulation
Taste Buds and Receptors
Protein Networks
Optimal Foraging
Neural Circuits
Neuronal pools are collections of nerve cells with similar functions and interact through chemical and electrical signals. These pools include both interneurons (the central neural circuit nodes that...