NutritionVerse-3D：用于营养摄入估计的3D食物模型数据集
计算机视觉与模式识别
2023-04-13 v1
摘要
如今77%的50岁以上成年人希望居家养老，这给确保充足营养摄入带来了重大挑战。据报道，65岁及以上老年人中每四人就有一人营养不良，鉴于营养不良与生活质量下降之间的直接关联，已有大量研究探讨如何高效追踪食物的营养摄入。机器学习与计算机视觉的最新进展为自动化食物营养追踪方法带来希望，但需要大规模高质量数据集才能从餐盘食物中准确识别营养素。与现有数据集不同，带有营养信息的3D模型集合可通过视图合成针对任意给定视角/相机角度生成无限数量的2D图像及其关联营养信息。本文中，我们开发了一种采集高质量食物3D模型的方法，特别关注速度与一致性，并介绍了NutritionVerse-3D，一个包含105个3D食物模型的大规模高质量高分辨率数据集，以及其对应的重量、食物名称和营养值。这些模型支持大批量食物摄入场景、多样且可定制的场景布局，以及无限数量的相机设置与光照条件。NutritionVerse-3D作为加速营养感知机器学习的开放计划的一部分公开可用。
引用
@article{arxiv.2304.05619,
title = {NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake Estimation},
author = {Chi-en Amy Tai and Matthew Keller and Mattie Kerrigan and Yuhao Chen and Saeejith Nair and Pengcheng Xi and Alexander Wong},
journal= {arXiv preprint arXiv:2304.05619},
year = {2023}
}