ImageNet: A Large-Scale Hierarchical Image Database（ImageNet：大规模层级图像数据库）

要解决什么问题

到2009年，互联网上已经有海量图像。作者认为，这些图像可以支撑更复杂的识别算法，但这类算法的训练和评测需要规模更大、标注干净的数据集。这篇论文的目标，就是建立这样一个数据集。^[1]

数据库怎么建

ImageNet按照WordNet的层级结构组织图像。在WordNet中，每个概念对应一个同义词集（synset）。WordNet约有80,000个名词同义词集，团队的目标是为其中大多数同义词集各配上平均500到1,000张干净、全分辨率的图像，这意味着数以千万计的标注图像。^[1]

数据集按层级组织，使「狗」之类的具体概念可以挂在更宽泛的类别之下，一张图像既能对应精确的概念，也归属于更一般的类别。小规模的数据集很难说明一种识别方法是否具有普遍性，这正是论文强调规模与标注质量的原因。

候选图像先从互联网上收集，再通过Amazon Mechanical Turk由人工核验。作者在树中不同深度随机抽取了80个同义词集进行检查，标注的准确率平均为99.7%。^[1]

论文发表时，ImageNet包含12个子树，涵盖哺乳动物、鸟类、鱼类、车辆、家具、工具、花卉和水果等类别。它们共包含5,247个同义词集和320万张图像。^[1]

结果与演示

论文演示了这些数据的三种简单用途：物体识别、图像分类和自动物体聚类。^[1] 这三类任务是计算机视觉的基础：说出图中物体是什么、把整张图像归入某一类别，以及在没有标签的情况下把相似的物体归为一组。 它的主要贡献在于数据集本身，使研究者能够在此前的数据集无法达到的规模上训练和比较识别方法。

为什么重要

ImageNet成为ImageNet大规模视觉识别挑战赛（ILSVRC）的基础。该比赛自2010年起每年举办，使用1,000个物体类别和约120万张训练图像。ILSVRC 2010数据集包含1,461,406张图像，而PASCAL VOC 2010数据集只有19,737张。^[3]

共享的基准让不同团队有了统一的测试：所有方法使用相同的数据训练、按相同的方式评分，结果因而可以直接比较。

后续影响

挑战赛的组织者在2015年发表了总结，介绍了这一基准以及它推动的物体识别进展。比赛吸引了来自50多个机构的参赛者，总结还把计算机视觉的最好准确率与人类的准确率进行了比较。^[3] 论文作者为普林斯顿大学的 Jia Deng、Wei Dong、Richard Socher、Li-Jia Li、Kai Li 和李飞飞（Fei-Fei Li）。该论文发表于2009年6月20日至25日在迈阿密举行的IEEE计算机视觉与模式识别会议（CVPR）。^[1]