Language
Country/Area
No result found
От нуля до тысячи: загадочный процесс сбора более 14 миллионов изображений ImageNet?
В современном быстром развитии искусственного интеллекта и компьютерного зрения ImageNet, несомненно, является захватывающим и далеко идущим проектом. Эта огромная визуальная база данных специально разработана для исследования программного обеспечения для распознавания визуальных объектов и охватывает более 14 миллионов изображений, каждое из которых было тщательно аннотировано вручную для идентификации объектов на изображении. С развитием технологий искусственного интеллекта относительная важность ImageNet становится все более заметной.
История рождения ImageNet
Исследователь искусственного интеллекта Ли Фей-Фей начал задумывать концепцию ImageNet в 2006 году. В то время большая часть исследований ИИ была сосредоточена на моделях и алгоритмах, и Ли осознал важность расширения и улучшения доступных данных для обучения алгоритмов ИИ. Ее амбиции очевидны: в ходе работы по аннотациям в период с 2008 по 2010 год в конечном итоге было собрано более 14 миллионов изображений, охватывающих более 20 000 категорий объектов.
С 2006 года Ли Фей-Фей и ее исследовательская группа используют Amazon Mechanical Turk для классификации изображений. Благодаря этому методу краудсорсинга каждое изображение может получать стандартизированные аннотации.
Новая волна глубокого обучения
В конкурсе ImageNet 2012 года рождение AlexNet, сверточной нейронной сети (CNN), было похоже на вихрь, переориентировавший технический мир на возможности нейронных сетей. AlexNet вошел в пятерку лучших по уровню ошибок в 15,3%, что намного превышает показатели других участников. Эта веха знаменует собой наступление революции глубокого обучения.
Как сообщил The Economist: «Внезапно все обратили внимание не только на сообщество ИИ, но и на всю технологическую индустрию».
Диверсификация наборов данных
В процессе аннотирования ImageNet используется модель краудсорсинга. Аннотации на уровне изображения используются для указания на наличие категорий объектов на изображении, например «На этом изображении есть тигр» или «На этом изображении нет тигра». Этот метод углубленной аннотации тщательно классифицирует «синтез», к которому принадлежит каждое изображение. Каждый набор имеет свой собственный уникальный идентификатор WordNet для облегчения дальнейшей идентификации.
Развитие и значимость проблемы
Виртуальный конкурс ImageNet Large Scale Visual Recognition Challenge (ILSVRC) проводится ежегодно с 2010 года. Эта задача не только повысила точность распознавания изображений, но и привлекла к участию большое количество исследователей, постепенно став крупным событием в отрасли.
Ли Фей-Фей отметил, что он надеется, что благодаря этому вызову «ImageNet станет более демократичной платформой, позволяющей сравнивать алгоритмы различных исследовательских групп на этом наборе данных».
Перспективы ImageNet на будущее
Глядя в будущее, ImageNet сталкивается с необходимостью обновлений и улучшений. В 2021 году мы усилили проверку предвзятости данных и отфильтровали несколько категорий сомнений, чтобы улучшить чувство ответственности модели. Развитие технологий искусственного интеллекта означает, что в будущем появится больше проблем и возможностей.
В развитии искусственного интеллекта роль ImageNet больше не ограничивается базой данных, а представляет собой процесс постоянного прогресса и развития. Поскольку технологии становятся все более зрелыми, увидим ли мы в ближайшем будущем более умную систему искусственного интеллекта? Стоит ли задуматься над этим вопросом?
