单阶段重尾食品分类
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
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
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
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
提出了一种无需像素级注释进行食物图像分类和语义分割模型训练的弱监督方法,该方法基于多实例学习和基于注意力机制的方法,实现了食物类别的分类和语义分割,并在FoodSeg103数据集上进行了实验验证和探索了注意力机制的性能特性。
Aug, 2023
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
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