2026-1-31

本周任务

1. 对数据集所有分散的文件夹进行合并，

2. 将标签替换成英文，

3. 对标签进行检查是否标注正确、是否存在同义词食材、尽量合并菜品（只存在一个、标注食材过多）
4. 完成数据集部分的文字写作，中英均可。

数据集

逻辑：任务痛点→定义核心规格→严格控制标注质量→量化分析数据特征→对比现有数据集突出优势

一、数据集构造背景

背景：构建数据集的动机。

1. 现有的数据集都有哪些，存在什么问题。需要陈述的是中餐的炒菜很难去做食材级别的分割标注。因为食材都混合在一起了。
2. 中餐食品图像分割的重要性。中餐的受众很广，很多人以此为食。但是与此同时，中餐的特殊性导致食材的外观差异大、分布长尾、目前性能不够好。没有专门支持的数据集。

二、数据集规格说明

图片总数、类别总数、食材总数、掩码总数、每张图片平均类别总数

图像分为几大主类，划分规则、每类中分割掩码数量统计、主要聚焦于中餐、也包含水果等。

理由就是：我们是对中餐场景下进食的所有菜品进行统计，其中也会包含少量的西餐累的菜品和水果、汤；不仅仅只有中式炒菜。

三、数据集构建过程

首先总述：我们的数据集叫什么，有多少张图片、标签、掩码标注。这些照片来自？使用说明进行标注。

1. 食物图像的收集（筛选条件）
2. 食材标签的制定以及掩码的标注（类别定义、清洗数据、标注规范）
3. 对数据集整体进行分析（长尾分布等、超类/食材成分的存在）

总结：对比现有的数据集+后续的可能用途。下游：营养评估/基准：用于评估对复杂中餐场景下的准确度。

• 对比维度：数据类型（分类/分割）、食材类别数、掩码数、标注粒度（菜品/食材）、图像分辨率、模型性能（mIoU）。

关键结论：FoodSeg是首个「食材级分割数据集」，掩码数（4万/6万）远高于UECFoodPix（1.4万/1.6万），且mIoU更低（34.2 vs 55.5），说明更具挑战性，适合作为基准数据集。

四、数据集可视化

• 用「对比图」（标注方式、分割难度）体现创新性
• 用「统计图」（分布、样本数）量化特征
• 用「示例图」（掩码、精炼过程）展示细节。

图片类型	核心内容	用途（作者意图）	可借鉴点
分割效果示例图（图1、2）	左：原始图像；右：像素级掩码（不同食材用不同颜色标注）	直观展示数据集的标注方式（食材级掩码），对比「易例」和「难例」	用「原始图+掩码图」对比，清晰呈现标注粒度；用颜色区分类别，便于可视化
数据集难度示意图（图1）	展示「同一食材不同外观」（菠萝熟吃vs生吃）、「不同食材相似外观」（菠萝vs土豆）	说明食品分割的特殊性，凸显数据集覆盖复杂场景的价值	用对比图直观呈现数据集的挑战性，比纯文字更有说服力
类别分布统计图（图3）	柱状图：展示超类/食材类别的样本数（如蔬菜类样本最多，沙拉类最少）	量化数据长尾分布，为模型优化（如采样策略）提供依据	用柱状图展示类别分布，清晰呈现数据不平衡特性
标注方式对比图（图4）	左：原始图；中：FoodSeg食材级掩码；右：UECFoodPix菜品级掩码	突出FoodSeg的标注优势（细分食材），对比现有数据集的不足	用同一张图对比不同标注方式，直观体现数据集的创新性
标注精炼示例图（图5）	左：原始图；中：精炼前（错误/混淆标签）；右：精炼后（修正标签）	说明标注质量控制流程，体现数据集的可靠性	展示「标注→精炼」的前后对比，证明数据集标注的严谨性
跨域示例图（附录图11）	亚洲食品的原始图+食材掩码（如面条、豆腐、香菇等东方食材）	展示扩展集的内容，说明跨域测试的场景	用特定区域食材示例，体现数据集的扩展性（覆盖不同地域食品）
数据集结构示意图（图12）	环形图：内圈=超类（如Main、Vegetable）；外圈=对应食材类（如米饭、番茄）	可视化食材分类体系，说明「超类-子类」的层级关系	用环形图展示分类结构，比表格更直观，适合呈现层级化的类别体系
训练/测试集划分表（表6）	表格展示3个数据集的训练/测试集图像数、掩码数	明确数据集的划分方式，方便其他研究者复现实验	用表格量化划分比例，清晰呈现数据分配逻辑
超类样本统计表（表7）	列出14个超类的食材样本数（如Vegetable 15719个，Salad 23个）	详细呈现长尾分布，为模型设计提供参考（如对小众类采用过采样）	用表格量化每个类别的样本数，体现数据集的细节完整性
食材类别明细表（表9）	列出154个食材的训练/测试集样本数（含西方+东方食材）	提供完整的类别清单，方便研究者选择特定食材进行实验	详细列出每个类别的样本分配，体现数据集的透明性（便于他人复用）