内容简介：根据 Facebook 的统计，Instgram 上的美食图片数量已经超过 3 亿张。然而，获取食物烹饪方法的途径依然有限，例如，通过烹饪网站或相关教程。怎样能够挖掘丰富食物图片背后的烹饪方法，让每个人都可以在家方便地学习新菜式呢？Facebook 研究团队最近在 CVPR 2019 发表论文，提出了一种新思路。用户可以输入食物图片，并获得对应的食材和制作方法。在用户实验上的结果说明，用这种方法烹饪食物的成功率，比传统检索方法成功率更高。看美食图片就能知道食谱？这个 AI 比美食家还灵么？
根据 Facebook 的统计，Instgram 上的美食图片数量已经超过 3 亿张。然而，获取食物烹饪方法的途径依然有限，例如，通过烹饪网站或相关教程。怎样能够挖掘丰富食物图片背后的烹饪方法，让每个人都可以在家方便地学习新菜式呢？
Facebook 研究团队最近在 CVPR 2019 发表论文，提出了一种新思路。用户可以输入食物图片，并获得对应的食材和制作方法。在用户实验上的结果说明，用这种方法烹饪食物的成功率，比传统检索方法成功率更高。
看美食图片就能知道食谱？这个 AI 比美食家还灵么？
喜欢研究吃的人经常会在看到美味食物甚至食物图片时垂涎不已，甚至千方百计想弄明白怎么才能做出这道美食。
最近，Facebook 提出了一种 AI 方法，能够根据美食图片直接生成食谱！天啊，简直满足了天下爱吃且爱做饭的人的心愿啊～
这张图片中左侧为原图；右侧显示了食物名称、原料，甚至还有操作说明。有了这个 AI，只需要有美食图，就可以准备做饭，不用再费力查找食谱啦～
目前，Facebook 已经把这个项目开源了：
GitHub 地址：https://github.com/facebookresearch/inversecooking
reddit 用户 JonathanFly 将该项目做成了一个 Colab demo，参见：
https://gist.github.com/JonathanFly/33946a08080041e90e8360b25e263a4e#file-facebook-cooking-demo-ipynb
还用非食物的图片进行了尝试，结果令人捧腹。
比如，如果你使用皮卡丘的图片，这个系统会告诉你「皮卡丘的食谱」：
「皮卡丘」竟然被认成了万圣节幽灵饼干！原来皮卡丘是烤制而成的～
从图像到食谱，如何实现？
从图片中生成食谱需要同时理解组成食材和制作的过程（如切片、和其他材料搅拌等）。传统方法将这个问题视为检索任务，基于输入图片和数据集图片的相似度计算，将食谱从一个固定的数据集中检索出来。很明显，传统方法在数据集缺少某种食物制作方法的情况下就会失败。
有一种方法可以克服这一数据局限，即将图片到菜谱的问题视为一个条件生成任务。研究人员认为，与其直接从图片中获取菜谱，不如首先预测食物的材料，然后基于图像和食材生成食物制作方法。这样可以利用图片和食材的中间过程获取一些额外信息。
模型
模型主要由两部分构成，首先研究人员预训练一个图片编码器和一个食材解码器（ingredients decoder），提取输入图像的视觉特征来预测食材。然后训练一个食材编码器（ingredient encoder）和烹饪流程解码器（instruction decoder），根据输入图片的图像特征和已经预测到的食材，生成食物的名称和烹饪流程。
模型架构如下图所示：
图 2：模型的结构。模型的输入是食物图片，输出的是烹饪方法序列，而中间一步是基于图像生成食材清单。
具体来讲，烹饪流程解码器使用了三种不同的注意力策略：
图 3：烹饪流程解码器使用的注意力策略。Transformer 模型（a）中的注意力模块被替换成了三种不同的注意力模块（b-d），用于多种条件下的烹饪说明。
效果如何？
研究人员使用 Recipe1M [45] 数据集来训练和评估模型。该数据集包括从烹饪网站上爬取的 1,029,720 个食谱。在实验中，研究者仅使用了包含图片的食谱，并移除了使用少于两种食材或两道流程的食物。最终，实验使用了 252,547 个训练样本、54,255 个验证样本和 54,506 个测试样本。
研究人员对比了传统的检索方法和该研究提出的新方法，结果如下：
表 3：基线方法和论文方法的对比。左图为 IoU 和 F1 分数，右图为食材在烹饪指南上的精确率和召回率。
研究人员还进行了用户测试。他们从测试集中随机选择了 15 张图片，让用户根据提供的图片选择 20 种食材，并写下可能图片对应的菜谱。为了减少人类任务的复杂度，研究人员提高食材使用频率的阈值，减少了食材的选择数量。
表 4：用户测试。左图为基线方法、人类和论文方法判断食材的 IoU 和 F1 分数，右图为根据人类判断，这三种方法生成食谱的成功率。
实验结果说明，使用 AI 生成的食谱比检索方法生成的食谱效果更好。
这样的研究只是造福吃货吗？
这项研究通过对食物图片的研究，可以进一步猜测其食材和加工方式。这可以进一步方便人们学习新的食物制作、协助计算食物中每种成分的卡路里、创造新的菜谱。同时，该研究采用的方法可以进一步启发「根据图片预测长文本」的研究。
更何况，再也不用看着社交媒体上的美食流口水了。扫图出菜谱，人人都可以学着做~
参考链接： https://ai.facebook.com/blog/inverse-cooking/
https://www.reddit.com/r/MachineLearning/comments/c1tb5m/p_using_ai_to_generate_recipes_from_food_images/
以上所述就是小编给大家介绍的《食物图片变菜谱：这篇CVPR论文让人人都可以学习新料理》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
推荐系统
[奥地利] Dietmar Jannach、Markus Zanker、Alexander Felfernig、Gerhard Friedrich / 蒋 凡 / 人民邮电出版社 / 2013-6-25 / 59.00元
编辑推荐： 通过对本书的学习，读者不仅可以全面系统地了解该领域的基础原理，还能试验如何搭建一套真正的推荐系统。 —— 百度主任架构师、百度技术委员会主席 廖若雪 本书比较全面地介绍了推荐系统涉及的相关知识点，很适合对于推荐系统感兴趣的相关人员作为入门教程，目前能够系统全面介绍相关技术的中文书籍还显得匮乏，相信这本译著对于缓解这种情况大有裨益。 ——新浪微博数据挖掘技术专家 ......一起来看看 《推荐系统》 这本书的介绍吧!
