基于视觉感知层次的食品识别
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
通过在 VFN 中的每个食物图像上注释含有营养成分信息的食物项目,我们引入了 VFN-nutrient 数据集,旨在将食物项目与营养数据库对齐。为了解决此问题,我们提出了一个多阶段层次结构的食物项目分类框架,通过在训练过程中迭代聚类和合并食物项目,使深度模型能够提取具有标签差异的图像特征。我们的方法在 VFN-nutrient 数据集上进行评估,并在食物类型和食物项目分类方面取得了有希望的结果。
Sep, 2023
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
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
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
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
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
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
本研究提出了一种改进的方法来识别从食物图像中分割出的成分,使用定位和滑动窗口技术定位成分的候选区域,并使用基于 CNN 的单成分分类模型将这些区域分配到成分类别中。为了解决多成分识别中的处理速度挑战,提出了一种新的模型修剪方法,提高了分类模型的效率。随后,通过融合两种新算法的决策方案实现了多成分的识别。实验结果验证了我们方法的有效性,尤其突出了其在识别多个成分方面的改进能力,这在食物图像分析领域标志着重大进展。
Jan, 2024