数字尺度：基于大规模真实数据集训练的手机摄像头 BMI 估计的开源设备内方法
计算机视觉与模式识别
2025-08-29 v1
摘要
通过机器学习模型从摄像头图像估计体质指数（BMI），可实现在传统方法不可用或不实用的情境（如远程健康或紧急情况）下的快速体重评估。现有的计算机视觉方法受限于最多 14,500 张图像的数据集。本研究，我们提出一种基于深度学习的 BMI 估计方法，训练于我们自建的 WayBED 数据集，该数据集包含 84,963 张来自 25,353 名个体的智能手机图像。我们引入一种自动过滤方法，该方法使用姿态聚类和人体检测来筛选数据集，通过移除姿势异常或视图不完整的图像来清理数据集。该过程保留了 71,322 张适合训练的高质量图像。我们在 WayBED 数据集的独立测试集上使用全身图像实现了 7.9% 的平均绝对百分比误差（MAPE），这是迄今为止已知的最低值。进一步地，我们在完全未见过（训练期间）的 VisualBodyToBMI 数据集上实现了 13% 的 MAPE，与在该数据集上训练的其他 SOTA 方法相当，表明具有良好的鲁棒性。最后，我们在 VisualBodyToBMI 上进行微调，实现了 8.56% 的 MAPE，这是该数据集上报告的最低值。我们将完整的管道，包括图像过滤和 BMI 估计，部署在基于 Android 设备的 CLAID 框架上。我们将模型训练、过滤和用于移动部署的 CLAID 包的完整代码作为开源贡献发布。
关键词
引用
@article{arxiv.2508.20534,
title = {Digital Scale: Open-Source On-Device BMI Estimation from Smartphone Camera Images Trained on a Large-Scale Real-World Dataset},
author = {Frederik Rajiv Manichand and Robin Deuber and Robert Jakob and Steve Swerling and Jamie Rosen and Elgar Fleisch and Patrick Langer},
journal= {arXiv preprint arXiv:2508.20534},
year = {2025}
}