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

使用图像识别技术的智能食品日志记录系统FoodAI对健康监控和饮食控制非常重要，并且已被广泛应用于新加坡的移动应用程序Healthy 365中。

Sep, 2019

本研究利用机器学习和计算机视觉技术，采用NutritionVerse-3D大规模高质量高分辨率数据集，开发了一种收集食品3D模型的方法，推进了营养感知的机器学习加速开放计划。

Apr, 2023

准确的膳食摄入估计对于支持健康饮食的政策和计划至关重要，然而，自我报告方法存在严重的偏倚。为了解决这个问题，本文介绍了NutritionVerse-Synth，这是第一个大规模的数据集，包含84,984张真实感合成的2D食物图像，以及相关的膳食信息和多模态注释。通过利用这些新颖的数据集，开发和评估了NutritionVerse，包括间接基于分割和直接预测网络的各种膳食摄入估计方法。最后，发布了这两个数据集（NutritionVerse-Synth、NutritionVerse-Real），作为加速机器学习在膳食感知方面的开放倡议的一部分。

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

营养素摄入估计的重要性和面向机器学习的营养感知的开放倡议在这篇论文中介绍了NutritionVerse-Real数据集的创建、分析和可用性。

Nov, 2023

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

NuNet是一种基于变压器的网络，利用食物图像的RGB和深度信息进行营养估计，通过多尺度架构和融合模块，实现了最低已知的15.65%的误差率，在饮食管理方面具有重要实用价值和跨国研究和部署的潜力。

Jun, 2024

准确的营养估计有助于人们做出明智的饮食选择，并在预防严重健康问题方面至关重要。我们介绍了NutriBench，这是第一个基于自然语言的餐饮描述的公开营养基准。NutriBench包括5,000个经人工验证的餐饮描述，附有宏量营养标签，包括碳水化合物、蛋白质、脂肪和卡路里。数据分为15个子集，根据餐饮中食物项目的数量、份量和受欢迎程度以及份量描述的特定性而变化。我们对七个流行的和最先进的大型语言模型进行了广泛评估，包括GPT-3.5、Llama-3和一种医学领域特定模型，采用标准的思考链和检索增强生成策略用于我们的碳水化合物估计基准。我们还进行了一项涉及专家和非专家参与者的人员研究，并发现LLMs可以在各种复杂查询中提供更准确和更快速的预测。我们对不同LLMs进行了彻底的分析和比较，并突出了在实际场景中使用LLMs进行营养估计的机会和挑战。我们的基准公开可用于此链接地址。

Jul, 2024

本研究针对现有饮食营养应用需手动输入食品数据的繁琐问题，提出了一种结合计算机视觉技术和营养分析的综合系统。该系统实现了实时的食品检测、营养内容分析和个性化膳食推荐，初步结果表明该工具能有效帮助用户做出明智的饮食决策。

Aug, 2024