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

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

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

通过构建大规模的食品图像本体，本文提出了一个将空间通道注意力与构建格外区域注意机制相结合的堆叠全局 - 局部注意网络，用于食品识别。在 ISIA Food-500 和其他两个流行数据集上的广泛实验表明了该方法的有效性。

Aug, 2020

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

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

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

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