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

该研究介绍了一个称为 Food2K 的当前最大的含有 2000 个类别和超过 100 万张图像的食品识别数据集，为进行视觉表示学习提供了挑战性的基准，同时建议了一种深度递进区域增强网络方法进行食品识别，旨在最大化视觉特征的差异以实现更好地泛化性能和更高的精度。

Mar, 2021

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

该研究提出了 FoodX-251 数据集，包含 251 个细分食品类别和 158,000 张图片，可用于评估计算机视觉模型以识别不同食品之间的视觉相似性。我们为 40,000 张图像提供了经过人工验证的标签，用作验证和测试。这个数据集已经被用于组织 Fine-Grained Visual Categorization 工作坊中的 iFood-2019 挑战，并可供下载。

Jul, 2019

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

介绍一种名为 FoodLogoDet-1500 的新大规模公共食品商标数据集，该数据集是食品商标检测领域中首个最大的公共高质量数据集，并描述了 MFDNet 的多尺度特征分解网络方法，该方法可以分离分类和回归，提高分类准确率，处理多类面板商标区分问题。

Aug, 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

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

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

研究了自动饮食评估系统中视觉识别食物的核心功能，使用深度多标签学习方法评估了几种最先进的神经网络，以在图像中检测任意数量的成分，并针对编码使用了多个著名的神经网络模型。在使用挑战性数据集 Nutrition5K 上，取得了有希望的初步结果，并为未来的探索奠定了坚实的基础。

Oct, 2022