3． ebutton數(shù)據(jù)集：一周數(shù)據(jù)集

實(shí)驗(yàn)是通過(guò)一名志愿者在白天連續(xù)戴著一個(gè)電子按鈕一周，記錄下各種現(xiàn)實(shí)生活活動(dòng)。首先，電子按鈕對(duì)圖像序列進(jìn)行采樣（10秒一次）。然后使用Picasa軟件檢測(cè)到人臉，并在發(fā)送給觀察者之前篩選出可能存在隱私問題的圖像，并按照上一個(gè)案例中描述的方式對(duì)圖像進(jìn)行注釋。完成這些步驟后，獲得29515張圖像。這些圖像最后由人工智能軟件（Clarifai CNN）處理，為每個(gè)圖像生成20個(gè)標(biāo)簽。

圖二（圖片來(lái)源：PHN）

原文作者定義了一個(gè)負(fù)擔(dān)指數(shù)來(lái)表示總陽(yáng)性圖像的數(shù)量和所有圖像的數(shù)量之間的比率。

閥值k是該算法中的一個(gè)可調(diào)參數(shù)。較小的k會(huì)導(dǎo)致跟高的靈敏度，但也會(huì)帶來(lái)更高的負(fù)擔(dān)。當(dāng)k＝1時(shí)，37．8％的總圖像需要進(jìn)一步檢查，這對(duì)研究人員來(lái)說(shuō)可能是太大的負(fù)擔(dān)，盡管總靈敏度高達(dá)89．5％。當(dāng)k＝2時(shí)，總負(fù)荷降低到18％，敏感性為74．0％，特異性為87．0％。第1天和第6天的敏感性顯著低于其他兩天。在提取了所有的假陰性圖像后，可以發(fā)現(xiàn)第一天的354個(gè)“飲料”圖像中，有206個(gè)由于黑暗環(huán)境和小咖啡杯而被丟失，而在第六天的154個(gè)進(jìn)食圖像中，有78個(gè)由于過(guò)度曝光的圖像和食物面積太小的圖像而被丟失。

圖三（圖片來(lái)源：PHN）

可穿戴設(shè)備所采集數(shù)據(jù)挑戰(zhàn)

實(shí)驗(yàn)結(jié)果表明，人工智能算法在food－5K和ebutton數(shù)據(jù)集上都取得了很好的效果。但是，F(xiàn)ood－5K數(shù)據(jù)集的性能更好。這種差異可能有三個(gè)原因。

首先，如果在電子按鈕佩戴者移動(dòng)時(shí)記錄圖像，則無(wú)法避免圖像模糊。在應(yīng)用ebutton數(shù)據(jù)集應(yīng)用算法上有約17．7％的圖像是模糊的。

第二，在一些圖片中，食物只覆蓋了圖片中很小的一部分，尤其是在飲酒的時(shí)候。在為期一周的數(shù)據(jù)集中，佩戴者有時(shí)在閱讀或做電腦工作時(shí)吃喝，因此食物擺放在盤子位于圖像的角落。

第三，與food－5K數(shù)據(jù)集相比，由于在ebutton的數(shù)據(jù)是由廣角攝像機(jī)和被動(dòng)圖像捕獲，因而圖像中包含更多的對(duì)象。這使得檢測(cè)任務(wù)更具挑戰(zhàn)性。