ImageNet 图像数据库

是什么

ImageNet 是一个按层级组织物体类别的大型图像数据库，建立在 WordNet 概念模型之上 ^[2]。中国计算机学会把它描述为结构化、层级式的资源：共 21841 个物体类别，图像超过 1400 万张 ^[2]。中国农业大学的介绍给出相近的规模——1400 多万条图像 URL 经过人工标注，指明图片中出现的物体，其中至少 100 万张图像带有边界框（bounding box）^[3]。

「层级」这一点很关键。类别不是一堆彼此无关的名字平铺在一起，而是沿用 WordNet 连接词语的那类关系来组织，一个类别可以作为更具体的种类挂在另一个类别之下 ^[2]。

由来

ImageNet 于 2009 年由李飞飞（Fei-Fei Li）、李凯（Kai Li）及合作者在普林斯顿大学（Princeton University）创建并发布 ^[2]。其后的 2010 年春季发布（Spring 2010 Release）公告记录了当时的数据规模：超过 1100 万张图像，覆盖 15500 个视觉类别 ^[1]。而在通常的引用中，这个数据库被描述为 21841 个类别、图像超过 1400 万张 ^[2]。

浏览与标注

用户可以按两种方式浏览类别：按 WordNet 结构，或按热门程度（popularity）排序 ^[1]。后一种方式让人从大家看得最多的类别入手，而不必从语义树的顶层一路往下找。

2010 年的发布还为近 1000 个热门视觉类别提供了边界框标注，每个类别标注 200 张图像 ^[1]。边界框就是在图中把物体框起来的矩形，既标出位置也标出范围。放到整个数据库的尺度上，至少 100 万张图像带有这样的框 ^[3]。

实际分发的是什么

有一个细节决定了 ImageNet 的使用方式。项目免费提供的是针对第三方图像 URL 的标注数据库，图像本身并不属于 ImageNet ^[3]。也就是说，这份资源记录的是「哪个地址上的哪张图里有什么物体、它在画面的哪个位置」，图片则留在托管它们的一方手里。使用这个数据库的人，因此依赖那些外部地址持续可访问。

1000 类子集与 ILSVRC

建立在 ImageNet 之上的 ILSVRC 挑战赛，使用的是一份经过裁剪的 1000 类清单，这 1000 个类别互不重叠 ^[3]。从两万多个类别收窄到 1000 个彼此不重叠的类，等于把标签空间固定下来：所有参赛系统面对的是同一千个类别，而且没有哪个类别只是另一个类别的下级情形。人们谈论视觉识别工作时遇到的 ImageNet，多数就是这一子集的形态。

意义

ImageNet 的重要性来自三件事的叠加。其一，它把图像接进了语义体系：类别遵循 WordNet 的结构，一个标签不是孤立的字符串，而是意义网络中的一个位置 ^[2]。其二，规模少见——图像超过 1400 万张，边界框至少 100 万张 ^[2][3]。其三，标注数据库可以免费获取，尽管图像并不归项目所有 ^[3]，这让标注本身容易取得和复用。

再加上 ILSVRC 使用的那份 1000 类裁剪清单 ^[3]，这个数据库还提供了一套共同的类别，让不同的物体识别系统可以被问到同一组问题。对一个需要大量带标注图片的领域来说，正是这种广度、结构与开放标注的组合，使 ImageNet 成为一个长期被参照的基点。