search

ftn-ai-lab / sc-2020-siit

Soft Computing - 2020 - Sotversko inženjerstvo i informacione tehnologije
MIT License
3 stars 4 forks source link

Fitness aplikacija za izračunavanje nutritivnih vrednosti voća i povrća na slici #34

Closed Quadrition closed 3 years ago

Quadrition commented 3 years ago

Tim

Veljko Plećaš SW68-2017 Ivana Marošević SW74-2017 Petar Cerović SW26-2017

Asistenti

Dragan Vidaković

Definicija problema

Cilj je da se detektuje količina nutritivnih vrednosti na slici. Potrebno je da se na slici detektuje svo voće i povrće koje se nalazi na njemu, odraditi njihovu klasifikaciju, i na osnovu rezultata i tablice o količini kalorija svakog voća/povrća odrediti ukupnu količinu nutritivnih vrednosti sa slike.

Motivacija

Rešenje ovog problema može koristiti svim sportistima i ljudima koji vode računa o svojoj ishrani.

Skup podataka

Za treniranje i testiranje neuronske mreže koristićemo KAGGLE skup podataka. Po potrebi ćemo priložiti još neke ručno sakupljene slike za validaciju.

Metodologija

  1. Za klasifikaciju podataka će se raditi treniranje konvolucionih neuronskih mreža nad relevantnim skupom podataka
  2. Detekcija objekata na slici će se raditi upotrebom adaptivnog treshold-a

Evaluacija

Za evaluaciju detekcije objekata koristićemo intersection over union uz pomoć koje ćemo videti koliko su detektovane regije precizne. Evaluacija klasifikacije objekata biće urađenja uz pomoć accuracy metrike (ili cross entropy loss) koja će nam određivati preciznost klasifikacije. Za rezultate nutritivnih vrednosti koristićemo Mean squared error metriku.

GitHub repozitorijum

https://github.com/Ivana98/fitness-app-ai

vdragan1993 commented 3 years ago

Korigujte evaluaciju rešenja tako što ćete umesto poređenja ubaciti metriku (ili više njih) greške (po vašem izboru) za poređenje stvarne i dobijene nutritivne vrednosti.

Quadrition commented 3 years ago

Korigovano

vdragan1993 commented 3 years ago

Zašto se za evaluaciju klasifikacije koristi cross entropy loss, a ne neka metrika koja je "standardnija" za klasifikaciju (npr. tačnost ili f-mera) ?

Quadrition commented 3 years ago

Cross entropy loss smo stavili zbog optimizacije modela. Vratili smo i accuracy metriku, pa ćemo videti šta će nam biti pogodnije za evaluaciju. Ako moramo da izaberemo samo jedan, ostavićemo accuracy metriku.

vdragan1993 commented 3 years ago

Tema odobrena. Ostavite link ka GitHub repozitorijumu projekta. Srećan rad.

Ivana98 commented 3 years ago

Link do repozitorijuma.