从食堂食物到日常餐饮:将食物识别推广到更多实用场景中
本文讨论了基于动态数据的食品图像识别问题,并提出了一种基于最近类均值分类器和深度特征的 1 - 最近邻分类器组合的个性化框架,此方法在实验中表现明显优于现有方法。
Apr, 2018
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
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
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
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
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
食物图像分类系统在通过基于图像的膳食评估技术进行健康监测和饮食跟踪中起到了至关重要的作用。我们的工作探索了使用神经图像压缩来扩展缓冲区大小和增强数据多样性的概念,以此应对持续演变的数据,并在食品特定数据集和一般数据集上的广泛实验中展示了分类准确性方面的提高,这对于推进更具实用性的食物识别系统具有重要意义,同时可适用于其他领域的持续机器学习系统。
Apr, 2024