2022年2月，北京工商大学计算机学院李海生教授团队：王薇（1作），董笑笑，李海生*（通讯）和中国科学院计算技术研究所蒋树强研究员团队：闵巍庆*（2作，通讯），李天浩，蒋树强，联合在Trends in Food Science & Technology (Q1,IF:12.563)上发表题为“A review on vision-based analysis for automatic dietary assessment”的综述性论文。
营养缺乏和营养过剩是世界性的营养安全问题，各国均存在多种形式的营养不良，同时面临儿童营养不足、女性贫血和成人肥胖率高等问题。由营养问题引发的糖尿病、高血压等疾病呈高增长态势，《国民营养计划（2017-2030年）》指出，我国国民营养健康状况主要体现为营养缺乏与营养过剩并存。但由于人们缺乏对于膳食专业知识的了解，难以判断什么是合理健康的饮食，因此通过相关专业工具与技术分析帮助和引导人们进行合理的膳食显得尤为重要。
近年来，计算机视觉的快速发展使得自动的膳食评估成为可能。本文提出两种基于视觉分析的膳食评估框架。针对多阶段膳食评估框架，从面向食品图像的识别、检测和分割等方面全面论述了食物图像分析的相关工作，然后对体积估计方法进行了系统性阐述，同时剖析了该框架存在的问题。在此基础上系统总结了端到端的膳食评估框架，并对相关工作进行梳理。本研究能够丰富人们对于膳食评估的认识，并鼓励相关研究人员针对基于视觉分析的营养评估提出更实用的解决方案。
综述亮点：
总结了两种基于视觉分析的膳食评估架构；
论述了多阶段架构中识别、检测与分割的食物图像分析方法；
梳理了基于端到端的膳食评估相关工作；
综述结论：
基于视觉分析的膳食评估方式允许用户通过移动或者可穿戴设备进行食物图片的拍摄，甚至于拍摄进食场景，轻松量化食物摄入。它不仅可以减轻手工记录饮食所带来的负担，还可以提供即时的膳食评估，在有效的饮食检测及控制等方面显示出巨大潜力。
多阶段膳食评估方式改进了许多基线方法，但仍存在一些局限性。比如，多阶段架构需要定义每阶段的输入与输出，这意味着早期阶段的潜在有用信息难以传递或用于改进预测。
联合多任务学习与端到端的深度学习方法是膳食评估发展的重要趋势。
未来可以从建立大规模基准数据集、细粒度的食品图像视觉分析、体积估计精度的改进及智能饮食管理等方面对该领域进行深入探索。
图文赏析：
图1 基于视觉分析的膳食评估框架：（a）多阶段膳食评估和（b）端到端膳食评估框架。
图2 基于视觉分析的膳食评估的代表性工作
责任编辑：刘霞
版权声明
本公众号推送文章仅为学术交流使用，‘原创’为原创编译之标记，不表示本平台对文本主张版权。作者团队或单位如需使用编译文本，可联系编辑开放白名单。凡是注明“转载”的稿件，均已注明直接来源，如需使用，请联系版权人。如有侵权，请联系我们，我们会尽快删除。
