本研究评估了六种视觉-语言模型在食品图像识别中的能力，提出了食品图像数据库FoodNExTDB，并引入专家加权召回率作为评估指标。结果表明，封闭源模型在简单食品识别中表现良好，但在细粒度识别上仍存在困难，影响其在自动饮食评估中的可靠性。

本研究提出了一种基于卷积神经网络的食品图像识别算法，分析移动设备捕获的食物图像，并在真实数据集上取得显著成果。开发了NutritionVerse-Synth数据集，包含84,984张合成食物图像及相关膳食信息，推动了机器学习在膳食感知中的应用。此外，提出了结合计算机视觉和营养分析的系统，能够实时检测食品并提供个性化饮食推荐。

本文介绍了一种利用智能手表和耳机麦克风进行摄入监测的新方法，评估了基于卷积神经网络的食品图像识别算法在真实数据集上的应用。研究提出了AI4Food-NutritionFW框架，通过图像处理和人工智能评估饮食行为健康指数，并开发了NutritionVerse数据集，以提高膳食摄入估计的准确性。

本文探讨了基于动态数据的食品图像识别，提出了结合深度学习和卷积神经网络的新框架，显著提高了识别准确性，并介绍了多个数据集和算法，以改善膳食评估和自动化饮食记录的效果。