2020-11-25 19:00 |
Німецькі дослідники розробили алгоритм, який визначає харчову цінність страв по фотографії: калорійність, а також вміст білків, вуглеводів і жирів.
Німецькі дослідники розробилиВ алгоритм, який визначає харчову цінність страв поВ фотографії: калорійність, аВ також вміст білків, вуглеводів і жирів.
На відміну від багатьох інших подібних алгоритмів, новий визначає ці показники безпосередньо, аВ неВ звертаючись доВ бази даних про харчову цінність різних продуктів. Доповідь про алгоритм буде представлена наВ конференції ICPR 2020 року,В відзначаютьВ автори розробки, інформуєВ НВ.
Частина людей, які скидають зайву вагу або підтримують її наВ одному рівні, записують прийоми їжі, відзначаючи її харчову цінність. Є навіть програми, деВ цей процес частково автоматизований: якщо людина з'їла їжу зВ магазину, на її упаковку можна навести камеру, і додаток сам додасть всі дані вВ щоденник споживання. Але цеВ не підходить для самостійно приготованої їжі.
Дослідники вВ галузі комп'ютерного зору вже кілька років намагаються вирішити цюВ проблему. ЯкВ правило, алгоритми зВ розрахунку харчової цінності працюють заВ схожим принципом: розпізнають наВ знімку страву і видають відповідні значення зВ бази. Також вони можуть враховувати розмір страви для точнішого розрахунку калорій.
Подібні багатостадійні алгоритми складні вВ розробці і неВ дуже точні, відзначають автори нової роботи наВ чолі зВ Райнером Штіфельхагеном зВ Технологічного інституту Карлсруе. Вони використовували інший підхід, вВ якому нейромережа заВ один етап розраховує харчову цінність наВ основі фотографії.
ВВ основі алгоритму лежить надточна нейромережа для розпізнавання об'єктівВ (автори використовували популярні мережі ResNet і DenseNet), навчена наВ величезному датасеті різних фотографій ImageNet. Використання подібної надточної нейромережі - цеВ популярний метод, щоВ дозволяє брати заВ основу алгоритм, який вже досить добре вміє визначати ознаки наВ зображеннях, і навчати його останні шари наВ своєму конкретному завданні.
ВВ цьому випадку автори неВ просто донавчали останній шар, аВ змінили його структуру: замість класифікації він вирішує завдання регресії, тобто підбору конкретного значення.
Розробники самостійно підготували дані для навчання алгоритму, скориставшись двома джерелами: сайтом рецептів, де у більшості рецептів є список інгредієнтів і фотографія готової страви, і базою харчової цінності різних продуктів. Оскільки рецепти пишуться різними людьми і містять зайві дані, дослідникам довелося напівавтоматично обробити дані. Зокрема, вони прибрали зайві слова і перевели приблизні величини вВ конкретні.
Потім вони зіставили дані зВ двох попередньо оброблених датасетів і зібрали їх вВ один, який містить 70 тисяч рецептів і 308 тисяч фотографій.
НВ
Подробнее читайте на gazetavv.com ...
