个性化食物图像分类：基准数据集与新基线
计算机视觉与模式识别
2023-09-19 v1
摘要
食物图像分类是基于图像膳食评估的基础步骤，可实现从食物图像中自动分析营养。许多当前方法采用深度神经网络在通用食物图像数据集上训练，这些数据集未能反映真实生活食物消费模式的动态性——其中食物图像随时间顺序出现，体现个体消费进展。个性化食物分类旨在通过使用反映每个个体消费模式的食物图像训练深度神经网络来解决此问题。然而，该问题探索不足，且由于缺乏基准数据集与个体化食物消费模式而受限，这源于数据收集的困难。在本工作中，我们首先引入两个基准个性化数据集：基于真实世界参与者每日膳食模式调查创建的Food101-Personal，以及基于一项膳食研究开发的VFNPersonal。此外，我们提出一种利用自监督学习与时序图像特征信息的个性化食物图像分类新框架。我们的方法在两个基准数据集上评估，并展现出优于现有工作的性能。数据集已发布于：https://skynet.ecn.purdue.edu/~pan161/dataset_personal.html
引用
@article{arxiv.2309.08744,
title = {Personalized Food Image Classification: Benchmark Datasets and New Baseline},
author = {Xinyue Pan and Jiangpeng He and Fengqing Zhu},
journal= {arXiv preprint arXiv:2309.08744},
year = {2023}
}
备注
Accepted by IEEE Asilomar conference (2023)