Рецепт с фото — Etsy Турция
Etsy больше не поддерживает старые версии вашего веб-браузера, чтобы обеспечить безопасность пользовательских данных. Пожалуйста, обновите до последней версии.
Воспользуйтесь всеми преимуществами нашего сайта, включив JavaScript.
Найдите что-нибудь памятное, присоединяйтесь к сообществу, делающему добро.
( 1000+ релевантных результатов, с рекламой Продавцы, желающие расширить свой бизнес и привлечь больше заинтересованных покупателей, могут использовать рекламную платформу Etsy для продвижения своих товаров. Вы увидите результаты объявлений, основанные на таких факторах, как релевантность и сумма, которую продавцы платят за клик. Узнать больше. )Искусственный интеллект предлагает рецепты на основе фотографий еды | MIT News
Есть несколько вещей, которые пользователи социальных сетей любят больше, чем заполнять свои каналы фотографиями еды.
Исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) считают, что анализ подобных фотографий может помочь нам изучить рецепты и лучше понять привычки людей в еде. В новой работе с Катарским институтом компьютерных исследований (QCRI) команда обучила систему искусственного интеллекта под названием Pic2Recipe смотреть на фотографию еды, предсказывать ингредиенты и предлагать похожие рецепты.
«В компьютерном зрении еда в основном игнорируется, потому что у нас нет крупномасштабных наборов данных, необходимых для прогнозирования», — говорит Юсуф Айтар, постдоктор Массачусетского технологического института, написавший статью о системе в соавторстве с профессором Массачусетского технологического института Антонио Торральба. «Но, казалось бы, бесполезные фотографии в социальных сетях на самом деле могут дать ценную информацию о привычках в отношении здоровья и диетических предпочтениях».
Документ будет представлен в конце этого месяца на конференции Computer Vision and Pattern Recognition в Гонолулу. Аспирант CSAIL Ник Хайнс был ведущим автором вместе с Амайей Сальвадор из Политехнического университета Каталонии в Испании. В число соавторов входят постдок CSAIL Хавьер Марин, а также ученый Ферда Офли и директор по исследованиям Ингмар Вебер из QCRI.
Как это работает
Сеть стимулировала огромный рост исследований в области классификации данных о пищевых продуктах, но в большинстве из них использовались гораздо меньшие наборы данных, что часто приводит к большим пробелам в маркировке пищевых продуктов.
В 2014 году швейцарские исследователи создали набор данных «Food-101» и использовали его для разработки алгоритма, который может распознавать изображения еды с 50-процентной точностью. Последующие итерации повысили точность только примерно до 80 процентов, предполагая, что размер набора данных может быть ограничивающим фактором.
Даже большие наборы данных часто были несколько ограничены в том, насколько хорошо они обобщают группы населения. База данных Городского университета в Гонконге содержит более 110 000 изображений и 65 000 рецептов, каждый со списком ингредиентов и инструкциями, но содержит только блюда китайской кухни.
Проект команды CSAIL направлен на развитие этой работы, но значительно расширяет масштабы. Исследователи изучили такие веб-сайты, как All Recipes и Food.com, чтобы создать «Recipe1M» — базу данных, содержащую более 1 миллиона рецептов, аннотированных информацией об ингредиентах самых разных блюд. Затем они использовали эти данные для обучения нейронной сети находить закономерности и устанавливать связи между изображениями еды и соответствующими ингредиентами и рецептами.
Получив фотографию продукта, Pic2Recipe может определить такие ингредиенты, как мука, яйца и масло, а затем предложить несколько рецептов, которые, по его мнению, будут похожи на изображения из базы данных.
(У команды есть онлайн-демонстрация, в которую люди могут загружать свои собственные фотографии еды, чтобы протестировать ее.)
«Вы можете представить себе людей, которые используют это для отслеживания своего ежедневного питания или фотографирования еды в ресторане и знают, что нужно для приготовления пищи. дома позже», — говорит Кристоф Траттнер, доцент Венского университета MODUL на факультете новых медиатехнологий, не участвовавший в написании статьи. «Подход команды работает на том же уровне, что и человеческое суждение, что замечательно».
Система особенно хорошо работала с такими десертами, как печенье или кексы, так как это было основной темой в базе данных. Однако у него возникли трудности с определением ингредиентов для более неоднозначных продуктов, таких как суши, роллы и смузи.
Также часто ставилось в тупик, когда были похожие рецепты одних и тех же блюд. Например, есть десятки способов приготовить лазанью, поэтому команде нужно было убедиться, что система не будет «наказывать» похожие рецепты при попытке отделить разные.
(Один из способов решить эту проблему заключался в том, чтобы посмотреть, похожи ли ингредиенты в каждом из них, прежде чем сравнивать сами рецепты).
В будущем команда надеется улучшить систему, чтобы она могла понимать пищу еще более подробно. Это может означать возможность сделать вывод о том, как готовится пища (т. е. тушеная или нарезанная кубиками), или различать различные варианты продуктов, например, грибы или лук.
Исследователи также заинтересованы в том, чтобы потенциально превратить систему в «помощника по ужину», который мог бы выяснить, что приготовить, учитывая предпочтения в еде и список продуктов в холодильнике.
«Это потенциально может помочь людям выяснить, что содержится в их еде, когда у них нет точной информации о питании», — говорит Хайнс. «Например, если вы знаете, какие ингредиенты вошли в блюдо, но не знаете их количество, вы можете сделать снимок, ввести ингредиенты и запустить модель, чтобы найти аналогичный рецепт с известным количеством, а затем использовать эту информацию для приблизительного определения собственного рецепта.