Nutrition5k：面向通用食物的自动营养理解
计算机视觉与模式识别
2021-06-23 v2 机器学习
摘要
从视觉数据理解食物的营养成分是一个具有挑战性的计算机视觉问题，有可能对公共健康产生积极而广泛的影响。该领域的研究受限于现有数据集缺乏足够的多样性或训练具有营养理解能力的模型所需的标签。我们引入Nutrition5k，一个包含5k道多样化真实世界菜肴的新颖数据集，配有相应的视频流、深度图像、成分重量和高精度营养内容标注。我们通过训练一种能够预测复杂真实世界菜肴的热量和常量营养素值的计算机视觉算法来展示该数据集的潜力，其精度优于专业营养师。此外，我们给出了一个融合深度传感器数据以改进营养预测的基线。我们将公开发布Nutrition5k，希望它能加速营养理解领域的创新。
引用
@article{arxiv.2103.03375,
title = {Nutrition5k: Towards Automatic Nutritional Understanding of Generic Food},
author = {Quin Thames and Arjun Karpur and Wade Norris and Fangting Xia and Liviu Panait and Tobias Weyand and Jack Sim},
journal= {arXiv preprint arXiv:2103.03375},
year = {2021}
}
备注
8 pages, 3 of appendices. CVPR 2021