CVPRJul, 2019

FoodX-251: 精细化食物分类数据集

PDF
TL;DR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。
发现论文，激发创造
  • ChineseFoodNet：一个用于中式菜品识别的大规模图像数据集

    介绍了一个名为 “ChineseFoodNet” 的新型大规模食品图像数据集，旨在自动识别中国菜；该数据集包含 208 类别的 18 万多个食品照片，通过使用深度卷积神经网络与投票方法的机器学习方法，该方法在验证集和测试集分别达到了 81.43％和 81.55％的 top-1 精度。

    May, 2017

  • 大规模视觉食品识别

    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

  • Food-500 Cap：用于评估视觉语言模型的细粒度食物标题基准

    我们综合研究了流行的视觉 - 语言模型（VLMs）在特定领域，即食品领域中的能力，并发现它们在特定领域的表现不如在一般领域中的表现好，同时揭示了 VLMs 在处理不同地理区域的食物方面存在严重偏见。

    Aug, 2023

  • 弗赖堡商品数据集

    本文介绍了一种包含 5,000 张超过 25 种不同杂货类别的图像数据集，可用于机器学习和机器人研究的训练、测试和引导。研究者基于这个数据集训练了一个基线分类器，得到了 78.9％的平均准确率。

    Nov, 2016

  • Nutrition5k：面向通用食品的自动营养理解

    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

  • 个性化食物图像分类：基准数据集和新基线

    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

  • 深度时尚图像的细粒度属性识别注释改进

    该研究旨在通过选择具有足够图像数量的类别，删除非常稀少的属性以及在每个类别中合并重复属性，为细粒度属性识别任务量身定制 DeepFashion 数据集，并使用成对排名损失函数的双线性卷积神经网络进行多标签细粒度属性识别，提高了结果，并提供了每个所选类别的详细注释。

    Jul, 2018

  • 基于网络监督的细粒度识别：基准数据集和方法

    本文构建了两个新的基准网页监督的精细分类数据集 WebFG-496 和 WebiNat-5089，同时提出一种新的网页监督方法 Peer-learning，并在该数据集上进行了全面的实验。实验结果表明，该方法优于现有的基线模型和最先进的方法。

    Aug, 2021

  • 通过探索双分图标签实现细粒度图像分类

    本文提出了一种新的方法，通过使用二分图标签（BGL）的方式来优化超细粒度图像识别问题，并在新的食品基准数据集上进行了实验验证并展示了优越性。

    Dec, 2015

  • 精细类别分类的子集特征学习

    本文提出了一种基于深度卷积神经网络的学习系统，该系统对视觉相似的类别进行聚类，并学习针对每个子集的特定深度卷积神经网络特征，在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上，实验证明该方法优于最近的细粒度分类方法，无需边界框，在最困难的情况下达到了 77.5% 的平均准确率，而先前的最佳表现为 73.2%。本文还表明，渐进式迁移学习使我们能够先学习通用领域的特征，然后将其调整到特定的鸟类集合中，从而提高准确性。

    May, 2015