视觉营养分析:利用细分和回归来估计食品营养素

科学领域:

• 计算机视觉 计算机视觉
• 营养科学 营养科学
• 机器学习 机器学习

背景情况:

• 准确的营养评估对于健康和疾病预防至关重要.
• 现有的基于图像的食品分析方法由于依赖体积估计和缺乏详细标签,难以准确预测营养含量.
• 消费者往往缺乏系统的知识来准确地从图像中确定食物的营养价值.

研究的目的:

• 开发一个准确的基于图像的模型,直接预测菜中的营养含量.
• 通过整合细分和回归任务来克服当前方法的局限性.
• 通过使用食物图像提供一个工具,以更容易,更精确地评估饮食.

主要方法:

• 在Nutrition5k数据集上进行了手动细分注释.
• 一个UNet模型被用于最初的食品细分.
• 一个带有Squeeze-and-Excitation结构的骨干网络被用于特征提取.
• 完全连接的层处理了用于预测体重,卡路里,脂肪,碳水化合物和蛋白质含量的特征.

主要成果:

• 该模型实现了预测营养成分的平均百分比平均绝对误差 (PMAE) 为17.06%.
• 成功地结合了细分和回归,以提高营养预测的准确性.
• 为公众提供手动注释的细分标签.

结论:

• 提出的分段化第一,回归后方法有效地预测食物图像中的营养含量.
• 这种方法在自动饮食评估技术方面取得了重大进展.
• 有注释数据的可用性有助于进一步研究基于图像的营养分析.