提出了两个个人化食物图像分类基准数据集，Food101-Personal 和 VFNPersonal，以及利用自我监督学习和时间图像特征信息的个人化食物图像分类新框架，并在基准数据集上展示了相比现有方法更好的性能。

Sep, 2023

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

食物图像分类系统在通过基于图像的膳食评估技术进行健康监测和饮食跟踪中起到了至关重要的作用。我们的工作探索了使用神经图像压缩来扩展缓冲区大小和增强数据多样性的概念，以此应对持续演变的数据，并在食品特定数据集和一般数据集上的广泛实验中展示了分类准确性方面的提高，这对于推进更具实用性的食物识别系统具有重要意义，同时可适用于其他领域的持续机器学习系统。

Apr, 2024

本文介绍了一种新的基于聚类的样本选择算法，以存储每个已学食品的最具代表性数据，并借助平衡训练批次和知识蒸馏对增强样本进行有效的在线学习，以在所有已学类别上维护模型性能。在大规模食品图像数据库 Food-1K 上进行验证，表明该方法在实现食品图像分类的终身学习方面具有巨大潜力。

Aug, 2021

本文提出一种增量学习框架来优化模型性能，其核心是一个能够预测待标记样本难度的新型难度评估模型。该框架将数据收集过程分为多个阶段，将标注预算分配给最困难的样本，并将满足评估模型某一标准的未标记样本用于生成伪标签，最终将手动标签和伪标签发送给训练数据以改善实例分割模型。在四个大规模食品数据集上验证本文提出的框架优于当前增量学习基准，并与完全注释样本的模型达到竞争性能。

Jun, 2023

本文针对具有烹饪偏好但对于特定菜肴的食材知识不足的用户提出了个性化食谱生成的新任务：将菜品名称和不完整的食材详情扩展为与用户历史喜好相符的完整自然文本说明。通过技术和食谱级别的表示，我们的模型在一个注意力融合层中融合了这些 “用户感知” 的表示，控制食谱文本的生成。在一个新的包含 180K 份菜谱和 700K 个交互的数据集上进行实验，与非个性化的基准相比，我们的模型能够生成一些合理且个性化的菜谱。

Aug, 2019

本研究提出了一种端到端的多任务学习框架，可以同时实现食品分类和食品份量估计，通过使用 L2 范数的软参数共享和特征适应方法，提高了图像饮食评估的性能和预测准确率。

Apr, 2020

该论文提出了一种基于深度学习的食物识别框架，通过知识蒸馏技术和数据增强手段，解决了在长尾场景下出现的知识遗忘和数据不平衡的问题，并在多个数据集上得到了优异的性能表现。

Jul, 2023

本文研究了无监督模型个性化任务，提出了一个新的 Dual User-Adaptation 框架，通过服务器端模型个性化和用户设备上的本地数据正则化，实现了可伸缩性和本地数据隐私保护的用户自适应模型。

Mar, 2020

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