Jan, 2024

利用单一成分分类模型识别食品图像中的多种成分

PDF
TL;DR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。
发现论文，激发创造
  • 多标签学习在食品成分识别中的应用

    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

  • 基于视觉感知层次的食品识别

    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

  • 卷积神经网络（CNN）在食品图像识别中的应用

    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

  • FoodNet: 使用深度神经网络集成识别食物

    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

  • DeepFood: 基于深度学习的食品图像识别用于计算机辅助膳食评估

    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

  • 基于注意力机制的多实例学习的食物图像分类和分割

    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

  • 深度图像至食谱翻译

    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

  • 基于新型大规模食谱数据集的热量预测多任务学习方法

    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

  • 多阶层食品分类

    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

  • 食品行业中的计算机视觉：基于预训练的 MobileNetV2 的精确、实时、自动化食品识别

    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