本研究旨在通过分析移动设备（如智能手机）捕获的食物图像来改进膳食评估的准确性，提出了一种新的基于卷积神经网络的食品图像识别算法，并将该方法应用于两个真实数据集（UEC-256 和 Food-101）中，取得了令人瞩目的结果。

Jun, 2016

该研究提供了自动工具，可通过每日拍摄的照片流来个性化分析人们的健康习惯，并提出了一种新的自动分类方法来分类与食物相关的环境，同时构建了一个具有语义层次结构的模型，并介绍了一个超过 33000 张图像的数据集，其分类准确度和 F 分数分别为 56％和 65％，明显优于基线方法。

May, 2019

当代社会中，运用人工智能进行自动食品识别在营养追踪、减少食物浪费以及提升食品生产和消费效率等方面具有巨大的潜力。该研究使用预训练的 MobileNetV2 模型，结合多种技术手段，提高了食品识别的性能和鲁棒性，从而可应用于实际应用中。

May, 2024

本文提出了一种同时实现食品本地化和识别的方法，该方法可以生成食品激活图，并识别各种食品类型和相关物品，并且在精度和召回率方面相对于具有相似问题的物体定位具有更高的结果，同时也适用于传统图像和自我中心图像。

Apr, 2016

本研究提出了一种新的基于 Convolutional Neural Networks (CNNs) 的两步骤食物识别系统，其中包括基于 Faster R-CNN 方法的食物定位和用于执行基于视图关联的分类任务的多任务 CNN 模型，该模型能够自动生成表达食物类别语义视觉关系的层次结构。实验结果表明，该系统在 4 个公开数据集和新的 VFN 数据集上均可以显著提高分类和识别性能。

Dec, 2020

本文提出了一种自动食物分类系统的方法，该系统能够从食物图像中识别出食物的内容。采用多层卷积神经网络架构，并在训练中用到了预处理的图像和滤波器输出进行融合以提高准确率。该方法在 ETH Food-101 数据库和新贡献的印度食品图像数据库上表现出比其他基准深度学习 CNN 框架更加有效的效果。

Sep, 2017

该研究通过引入 Nutrition5k 数据集，采用计算机视觉算法能够精确预测真实世界中的复杂菜肴的热量和营养素值，并且具有超过专业营养学家的准确性，使这一领域的营养理解得到加速创新。

Mar, 2021

设计了两个新的基准数据集，DailyFood-172 和 DailyFood-16，用于评估将在精心策划的食品图像领域训练的方法转移到日常生活食品图像领域的可行性，并提出了一种名为 MCRL 的简单而有效的基线方法来解决领域差距问题。

Mar, 2024

本文基于机器学习技术，提出了一种用于大规模检索任务的图片 - 食谱对齐方法，并在 Recipe1M 数据集上进行了实验，取得了最先进的成果。

May, 2018

通过构建一个 5822 张图片数据集并使用五层 CNN 网络结构，利用几何变换的数据扩充技术来提高训练图片的数量，利用支持向量机（SVM）和 Bag-of-features（BoF）来进行食品图片识别，最终达到超过 90% 的准确率，有效避免 CNN 过度训练问题。

Dec, 2016