Eating Smart: Advancing Health Informatics with the Grounding DINO based Dietary Assistant App

这款智能饮食助手利用机器学习为糖尿病等病患者提供个性化饮食建议。该应用程序利用了Grounding DINO模型，该模型结合了文本编码器和图像主干，提高了食品项目的检测能力，无需标记数据集。模型在COCO数据集上的AP得分为52.5，证明了其在实际场景中具有高精度，利用注意机制根据用户提供的标签和图像精确识别对象。该应用程序使用React Native和TypeScript开发，在多个平台上运行无缝，并集成了自托管的PostgreSQL数据库，确保数据完整性并增强用户隐私。主要功能包括个性化营养概况、实时食品扫描和健康洞察力，有助于进行健康管理和生活方式优化的明智饮食选择。未来的发展目标是集成可穿戴技术，提供更加个性化的健康建议。关键词：食品图像识别，营养机器学习，零样本目标检测。

本文旨在利用机器学习提供个性化的饮食建议，重点关注患有糖尿病等疾病的用户。同时，使用Grounding DINO模型结合文本编码器和图像骨干，提高食品识别的准确性，无需标记数据集。

本文的关键思路是结合Grounding DINO模型和注意力机制，实现基于用户提供的标签和图像的精确食品识别，并提供个性化的饮食建议。

值得关注的亮点包括：使用Grounding DINO模型提高食品识别准确性，使用注意力机制实现精确识别，使用React Native和TypeScript构建应用程序，兼容多个平台，并整合了自托管的PostgreSQL数据库以确保数据完整性和提高用户隐私。未来的发展方向是将可穿戴技术整合到应用程序中，以提供更加个性化的健康建议。

最近在这个领域中，还有一些相关的研究，如：《基于深度学习的食品图像识别综述》、《基于深度学习的食品图像识别技术研究》等。