DeepFood：基于深度学习的食物图像识别用于计算机辅助饮食评估
计算机视觉与模式识别
2016-06-21 v1
摘要
2014 年，全球有超过 19 亿 18 岁及以上的成年人超重。其中，超过 6 亿人肥胖。准确记录饮食卡路里摄入量对控制减重至关重要，但也面临挑战，因为目前大多数饮食评估方法必须依赖记忆来回忆吃过的食物。我们研究的最终目标是开发计算机辅助技术解决方案，以增强和提高当前饮食摄入测量的准确性。本文提出的系统旨在通过分析移动设备（如智能手机）捕获的食物图像来提高饮食评估的准确性。本文的关键技术创新是基于深度学习的食物图像识别算法。大量研究表明，数字成像在许多环境中能准确估计饮食摄入量，且与其他方法相比具有许多优势。然而，如何有效且高效地从食物图像中提取食物信息（如食物类型和份量）仍是一个具有挑战性的开放研究问题。我们提出了一种新的基于卷积神经网络（CNN）的食物图像识别算法来解决这一问题。我们将所提方法应用于两个真实世界的食物图像数据集（UEC-256 和 Food-101），并取得了令人瞩目的结果。据我们所知，这些结果优于使用这两个数据集的所有其他已报道工作。我们的实验表明，所提方法是解决食物图像识别问题的一种有前景的方案。未来的工作包括进一步提高算法性能，并将我们的系统集成到真实世界的移动和云计算系统中，以提高当前饮食摄入测量的准确性。
引用
@article{arxiv.1606.05675,
title = {DeepFood: Deep Learning-Based Food Image Recognition for Computer-Aided Dietary Assessment},
author = {Chang Liu and Yu Cao and Yan Luo and Guanling Chen and Vinod Vokkarane and Yunsheng Ma},
journal= {arXiv preprint arXiv:1606.05675},
year = {2016}
}
备注
12 pages, 2 figures, 6 tables, ICOST 2016