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

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

本研究提出 pic2kcal 基准，通过学习人们在互联网上发布的食谱来直接从图像中估算餐的卡路里含量，并通过多任务范式扩展神经网络进行蛋白质、碳水化合物和脂肪量预测以及多标签成分分类。实验表明，多任务学习可以显著提高卡路里估计，优于单任务卡路里回归 9.9%。

Nov, 2020

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

通过深度学习方法，建立了一个集数据整合、标记、模型识别及移动 APP 实现于一体的餐饮管理框架，以繁复印度盛菜为例研究证明，使用 YOLOv8x 和 ResNet152 模型在平均精度上更优，通过模型可以有效的记录和监管人们的饮食，为营养干预和改善生活方式等领域提供可能性。

May, 2023

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

该论文通过利用各种神经网络结构来预测餐食图像的营养含量，提高了膳食摄入估计的效力，并展示了其在改善膳食摄入估计准确性方面的潜力。

May, 2024

深度图像到菜谱的翻译，是计算机视觉和自然语言生成的交叉领域，旨在弥合珍贵食物记忆与烹饪艺术之间的鸿沟。

Jul, 2024

本文提出了一种基于视觉语言神经网络模型的 UMDFood-VL 模型，并利用最全面的 UMDFood-90k 多模态食品数据库，相较于传统的卷积神经网络（CNNs）和循环神经网络（RNNs），在各种营养价值估计上显著提高，尤其是在食品成分估计上取得了 95％的宏平均 AUCROC，具有一定的实际应用价值。

May, 2023