ImageNet 2010 春季版发布

背景

ImageNet 是一个建立在 WordNet 上的图像数据库。WordNet 把英语单词按意义相近归成一组一组，再把这些词组按从宽泛到具体的顺序排成层级。中国计算机学会的资料称，ImageNet 由李飞飞、Kai Li 等人在普林斯顿创建并于 2009 年发布，包含 21841 个类别、超过 1400 万张图像^[1]。因为类别取自语言资源，而不是取自碰巧被拍到的那些主题，整个数据集像一棵名词的树，每一张图像都挂在树的某个节点上。

2010 年春季版

2010 年 5 月 11 日，李飞飞宣布 ImageNet 2010 春季版发布。公告给出了这一版的总量：超过 1100 万张图像，分布在 15500 个视觉类别中；公告还说明，这些类别从活动、场景一直延伸到物体^[2]。这组数字与中国计算机学会所记的 21841 个类别、超过 1400 万张图像并不相同，后者描述的是整个数据集^[1]：一处说的是一次发布的规模，另一处说的是数据集的总量。

标注、特征与工具

这次发布的不只是图片。公告说，数据集为近 1000 个热门视觉类别提供了边界框（bounding box）标注，每个类别 200 张图像^[2]。边界框就是画在图中目标物体外圈的矩形，有了它，训练程序得到的就不只是某张图里有狗，还包括狗在画面中的哪一块。这种定位正是目标检测器要输出的东西，而人工画框的成本很高。

随图像一起提供的还有预先算好的特征。公告列出，为 120 万张图像、1000 个类别提供稠密采样的 SIFT（scale-invariant feature transform）特征，其中包括原始描述子、量化后的码字和空间坐标^[2]。SIFT 用一小块图像内部梯度的方向分布来描述这块区域，因此对尺度变化和小幅平移比较稳定。稠密采样指的是在图像的规则位置上逐个计算描述子，而不是只在少数检测出来的点上计算，这样每个区域都能被覆盖。三类文件各有用途：原始描述子就是那些向量本身；量化码字把每个向量映射到一个有限词表上，于是一张图像可以变成一个可计数的直方图；空间坐标记录每块区域取自画面何处，使得除了内容之外，还能利用布局信息。

发布还附带一个 MATLAB 工具包。按公告的说法，它帮助使用者操作视觉类别背后的 WordNet 层级结构，并能按子树下载全分辨率原图^[2]。实际用起来，研究者可以只挑层级中的某一支，比如某一类动物或车辆，把对应的图像按原始分辨率取下来，而不必整包下载。

竞赛

在发布公告中，团队同时征集参加 ILSVRC2010 的参赛者。这项竞赛与 PASCAL VOC 2010 合作举办，任务是在 1000 个视觉类别上做识别^[2]。这类竞赛的做法是固定类别表和数据集，所有方法在同一份数据上评分，于是不同团队的数值可以相互比较，而不必每篇论文各造一套训练测试划分。把新数据集与一个已有评测活动放在一起，等于把这些图像直接送到手里已经有系统可跑的研究者面前。

意义

把公告的各个部分放在一起看，它描述的不是一个数据库，而是一整套东西：规模化的图像、热门子集上的人工画框、为算力不足者预先算好的特征、用于浏览类别层级的工具，以及一份固定类别清单的公开竞赛^[2]。每一件都在降低门槛：想训练或评测一个识别系统、却没有能力自己抓取并标注上百万张照片的人，可以直接从这里开始。这次发布标志的转变在于，ImageNet 不再只是它的作者们建起来的东西，而成了别人被邀请来一较高下的对象，也就是基准测试在研究领域里所扮演的角色。