GoogLeNet 与 VGG 主导 ILSVRC 2014

背景

ImageNet 大规模视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）是一项年度竞赛：研究团队训练出图像识别系统，把预测结果提交到同一套基准上评分。其中有两个赛道与这里有关。分类赛道要求系统说出图像里是什么物体；定位赛道要求系统把该物体在图中框出来。分类成绩按 top-5 错误率排名，也就是「正确答案不在系统给出的前五个猜测之中」的图像所占的比例，因此数字越低越好。到 2014 年，参加这项挑战的机构已超过 50 家。^[3]

发生了什么

2014 年的分类赛道由 GoogLeNet 拿下。GoogLeNet 的论文报告，其提交结果在验证集和测试集上都达到 6.67% 的 top-5 错误率，排名第一。^[1]

榜首之间的差距很小。同一篇论文的结果表列出：GoogLeNet 以 6.67% 居首，VGG 以 7.32% 第二，MSRA 以 7.35% 第三，前三名之间相差不到一个百分点。^[1]

定位赛道的结果则不同。VGG 团队报告称，自己在分类赛道获得第二名，并在 ILSVRC 2014 的定位赛道获得第一名。^[2] 维基百科对这项赛事的记述与这一分工一致：2014 年分类赛道的获胜者是 GoogLeNet，定位赛道的获胜者是 VGGNet。^[3]

关键细节

GoogLeNet 的贡献在于整套架构，而不是某一处小改动。论文把它描述为一个 22 层深的 Inception 网络，在保持计算预算不变的前提下同时增加网络的深度和宽度。^[1] 深度与宽度是互相拉扯的：多堆几层（深度）或多加每层的滤波器（宽度）通常都要多花运算量，于是设计问题就变成如何把固定的运算量花得更值。论文正是把这个网络当作在固定计算预算下取得更多深度与宽度的办法来呈现的。^[1]

VGG 的网络在同一场竞赛里走的是另一条路：它没有赢下分类，却赢下了定位。^[2][3] 两个赛道对系统的要求并不相同——一个是说出物体是什么，一个是找出物体在哪里——2014 年的结果说明，一个系统可以在一项上很强，在另一项上并不占先。

影响

像 ILSVRC 这样的挑战赛起的是记分牌的作用：它让风格迥异的设计在同一份数据、同一个指标下被衡量。2014 年的这次衡量把两种思路放到最前面——GoogLeNet 精打细算的 Inception 设计与 VGG 的网络——MSRA 紧随其后。^[1] 榜首如此接近，也提醒人们：这一时期的进展不是某一支团队的故事。

两个赛道各有赢家，是另一个被长期记住的细节。能说出图像里有什么，和能指出它在哪儿，是相关但并不相同的能力，2014 年的挑战赛用两个赛道、两个赢家分别给它们打了分。^[2][3] 对后来翻看结果的人来说，这张结果表还让参赛规模变得可见：在超过 50 家机构参赛的情况下，最前面的几个成绩挤在很窄的一段区间里，而不是一枝独秀。^[1][3]