Visione del Cibo · La foto in due secondi
Nutrition5k: comprensione nutrizionale automatica del cibo generico — Thames et al. 2021
Ogni volta che provate a calcolare a occhio se il vostro piatto di pasta contenga 400 o 600 calorie, state affrontando uno dei compiti di stima visiva più difficili per il cervello umano — e persino i dietisti professionisti sbagliano in media del 40%. Thames e colleghi di Google hanno risolto il problema smettendo di chiedere agli esseri umani di indovinare: hanno costruito un sistema robotico che pesa ogni ingrediente mentre viene aggiunto al piatto, lo fotografa da cinque angolazioni contemporaneamente e lascia poi che un modello di visione artificiale impari il legame tra l'immagine e il contenuto nutrizionale reale.
Dopo l'addestramento su oltre cinquemila pasti da mensa, l'algoritmo batte i nutrizionisti nel stimare le calorie da una singola fotografia. Il divario si riduce ulteriormente quando il sistema dispone anche di un'immagine di profondità del piatto, perché sapere quanto in alto si estende il cibo — non solo il suo aspetto dall'alto — consente di stimare meglio quanta materia è realmente presente.
Cosa dice, in breve
- Nutrition5k è un dataset di 5.066 piatti reali unici raccolti nelle mense del campus Google mediante un sistema robotico a cinque telecamere (quattro laterali a 1920x1080 + una Intel RealSense D435 zenitale) e una bilancia digitale con precisione di ±1 grammo che pesa ogni ingrediente prima della composizione del piatto.
- Le etichette nutrizionali (calorie, grassi, carboidrati, proteine) sono calcolate associando i pesi incrementali per ingrediente al Database USDA dei Nutrienti Alimentari; il dataset è il più grande per numero di piatti con annotazioni di porzione al momento della pubblicazione.
- Quattro condizioni sperimentali: (1) modello 2D portion-independent (MAE calorie 9,5%), (2) predizione diretta 2D (MAE 26,1%), (3) profondità come 4° canale RGB-D (MAE 18,8%), (4) pipeline volume-scalar RGB-D (MAE 16,5%).
- Una valutazione umana su 10 piatti ha mostrato un errore medio del 53% per non-esperti e del 41% per nutrizionisti professionisti, entrambi superati dal miglior modello (MAE calorie 16,5%).
- Il dataset è rilasciato pubblicamente su GitHub per accelerare la ricerca nel monitoraggio automatico dell'alimentazione.
Provenienza
- Fonte
- Nutrition5k: Towards Automatic Nutritional Understanding of Generic Food— Thames 2021
- Licenza
- unknown
- Nel Kosmos
- 3 voci · 112 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.