イメージネット

2012年9月30日、AlexNet ^{[ 18 ]}と呼ばれる畳み込みニューラルネットワーク(CNN) がImageNet 2012 Challenge でトップ 5 エラー 15.3% を達成し、次点のエラー率より 10.8 パーセント ポイント以上低い結果となりました。畳み込みニューラルネットワークの使用が可能になったのは、トレーニング中にグラフィックス処理ユニット(GPU) ^{[ 18 ]}を使用したためであり、これはディープラーニング革命の重要な要素です。エコノミスト誌によると、「突然、AI コミュニティ内だけでなく、テクノロジー業界全体で注目が集まり始めました。」^{[ 4 ] [ 19 ] [ 20 ]}

2015年、AlexNetはMicrosoftの100層を超える非常に深いCNNに性能で劣り、ImageNet 2015コンテストで優勝し、テストセットで3.57%のエラーを記録した。^{[ 21 ]}

Andrej Karpathy は2014 年に、集中した努力で 5.1% のエラー率を達成できると推定し、彼の研究室の約 10 人がより少ない努力で約 12〜13% を達成したと推定した。^{[ 22 ] [ 23 ]}最大限の努力をすれば、人間は 2.4% を達成できると推定された。^{[ 6 ]}

ImageNetのカテゴリはWordNetの概念から抽出されました。各概念は複数の同義語（例えば「kitty」と「young cat」）を含むことができるため、各概念は「同義語セット」または「synset」と呼ばれます。WordNet 3.0には10万を超えるsynsetがあり、その大部分は名詞（8万以上）です。ImageNetデータセットはこれらを、視覚的に表現できる可算名詞である21,841のsynsetに絞り込みました。

WordNet 3.0 の各シノセットには「WordNet ID」（wnid）があり、これは品詞と「オフセット」（一意の識別番号）を連結したものです。ImageNet には名詞しか含まれていないため、すべての wnid は「n」で始まります。たとえば、シノセット「dog, domestic dog, Canis familiaris」の wnid は「n02084071」です。^{[ 25 ]}

ImageNetのカテゴリは、レベル1（「哺乳類」など）からレベル9（「ジャーマンシェパード」など）までの9つのレベルに分類されます。^{[ 13 ]}

画像は、複数の言語の同義語を使用してオンライン画像検索（Google、Picsearch、MSN、Yahoo、Flickrなど）からスクレイピングされました。例：German shepherd、German police dog、German shepherd dog、Alsatian、ovejero alemán、pastore tedesco、德国牧羊犬。^{[ 26 ]}

ImageNetは、解像度が異なるRGB形式の画像で構成されています。例えば、ImageNet 2012の「魚」カテゴリでは、解像度は4288×2848から75×56まで様々です。機械学習では、これらの画像は通常、ニューラルネットワークによる処理の前に、標準的な一定解像度に前処理され、白色化されます。

例えば、PyTorchでは、ImageNet画像はデフォルトで、ピクセル値を0から1の間に収まるように除算し、[0.485、0.456、0.406]を減算し、[0.229、0.224、0.225]で除算することによって正規化されます。これらはImageNetの平均値と標準偏差なので、入力データは白くなります。 ^{[ 27 ]}

各画像には、正確に1つのwnidがラベル付けされています。

ImageNet-1K 用の高密度SIFT 特徴(生の SIFT 記述子、量子化されたコードワード、および各記述子/コードワードの座標) がダウンロード可能で、視覚単語のバッグ用に設計されています。^{[ 28 ]}

オブジェクトの境界ボックスは、約 3000 の人気シノセット^{[ 29 ]}で利用可能であり、各シノセットには平均 150 枚の画像が含まれています。^{[ 30 ]}

さらに、一部の画像には属性があります。彼らは約400の人気シノセットに対して25の属性を公開しました: ^{[ 31 ] [ 32 ]}

• 色：黒、青、茶、灰色、緑、オレンジ、ピンク、赤、紫、白、黄
• 柄：水玉模様、縞模様
• 形状：長方形、円形、長方形、正方形
• 質感：毛羽立った、滑らかな、粗い、光沢のある、金属的な、植物のような、木のような、濡れた

元のデータセット全体はImageNet-21Kと呼ばれています。ImageNet-21kには、21,841のクラスに分類された14,197,122枚の画像が含まれています。一部の論文ではこれを切り上げてImageNet-22kと呼んでいます。^{[ 33 ]}

ImageNet-21k の完全版は 2011 年秋にリリースされましたfall11_whole.tar。ImageNet-21k には公式のトレーニング - 検証 - テストの分割はありません。一部のクラスには 1 ～ 10 個のサンプルしか含まれていませんが、他のクラスには数千個のサンプルが含まれています。^{[ 33 ]}

ImageNetデータセットにはさまざまなサブセットがあり、さまざまなコンテキストで使用され、時には「バージョン」と呼ばれることもあります。^{[ 18 ]}

ImageNet の最もよく使われるサブセットの 1 つは、「ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2012–2017 画像分類および位置特定データセット」です。これは、研究文献では ImageNet-1K または ILSVRC2017 とも呼ばれ、1,000 のクラスを含む元の ILSVRC チャレンジを反映しています。ImageNet-1K には、1,281,167 枚のトレーニング画像、50,000 枚の検証画像、および 100,000 枚のテスト画像が含まれています。^{[ 34 ]}

ImageNet-1K の各カテゴリはリーフカテゴリであり、ImageNet-21K とは異なり、その下に子ノードはありません。たとえば、ImageNet-21K では単に「哺乳類」と分類された画像がいくつかありますが、ImageNet-1K では「ジャーマンシェパード」などのカテゴリに分類された画像のみがあり、「ジャーマンシェパード」の下に子ワードはありません。^{[ 26 ]}

ImageNet の構築に使用された WordNet には、「person」サブツリーに 2832 個のシノセットがありました。2018～2020 年の間、これらの person のシノセットで広範囲にわたるフィルタリングを行ったため、ImageNet-21k のダウンロードが削除されました。これらの 2832 個のシノセットのうち、1593 個が「潜在的に不快」と判断されました。残りの 1239 個のうち、1081 個が実際には「視覚的」ではないと判断されました。その結果、残ったシノセットは 158 個のみでした。これらのうち、139 個のみが「さらに調査」するための 100 枚以上の画像を含んでいました。^{[ 12 ] [ 35 ] [ 36 ]}

2021年の冬にImageNet-21kが更新されました。「person」サブツリーの2702のカテゴリが、トレーニングされたモデルでの「問題のある動作」を防ぐために削除されました。その結果、「person」サブツリーには130のsynsetしか残っていません。さらに、2021年にImageNet-1kが更新され、997の非人物カテゴリに現れる顔がぼかされました。ImageNet-1kの全1,431,093枚の画像のうち、243,198枚（17%）に少なくとも1つの顔が含まれていることがわかりました。顔の総数は562,626です。これらの顔がぼかされたデータセットでモデルをトレーニングしても、パフォーマンスの低下は最小限であることがわかりました。^{[ 37 ] [ 38 ]}

ImageNet-Cは、2019年に構築されたImageNetの敵対的摂動バージョンです。^{[ 39 ]}

ImageNetV2は、それぞれ10,000個のテストセットを含む3つの新しいデータセットであり、オリジナルのImageNetと同じ方法で構築されました。^{[ 40 ]}

ImageNet-21K-PはImageNet-21Kのフィルタリングおよびクリーニングされたサブセットであり、11,221のカテゴリから12,358,688枚の画像が含まれています。すべての画像は224 x 224ピクセルにリサイズされました。^{[ 33 ]}

• 鄧、佳。ドン、ウェイ。ソーチャー、リチャード。リー、リージア。カイ・リー;李菲菲 (2009 年 6 月)。ImageNet: 大規模な階層型画像データベース。 CVPR 2009。IEEE。 pp. 248–255。土井: 10.1109/CVPR.2009.5206848。ISBN  978-1-4244-3992-8。
• Fei-Fei, L.; Deng, J.; Li, K. (2010年3月22日). 「ImageNet: 大規模画像データベースの構築」 . Journal of Vision . 9 (8): 1037. doi : 10.1167/9.8.1037 . ISSN 1534-7362 . 
• Deng, Jia; Berg, Alexander C.; Li, Kai; Fei-Fei, Li (2010). Daniilidis, Kostas; Maragos, Petros; Paragios, Nikos (編). 10,000を超える画像カテゴリの分類から何がわかるのか? . Computer Vision – ECCV 2010. Berlin, Heidelberg: Springer. pp. 71– 84. doi : 10.1007/978-3-642-15555-0_6 . ISBN  978-3-642-15555-0。
• Russakovsky, Olga; Deng, Jia; Huang, Zhiheng; Berg, Alexander C.; Fei-Fei, Li (2013).アボカドからズッキーニまで検出：これまで何をしてきたのか、そしてこれからどこへ向かうのか？ ICCV 2013. pp. 2064–2071 . 
• ルサコフスキー、オルガ。鄧、佳。スー、ハオ。クラウス、ジョナサン。サシーシュ、サンジーブ。マ、ショーン。黄志恒。カルパシー、アンドレイ。コスラ、アディティヤ。バーンスタイン、マイケル。バーグ、アレクサンダー C.フェイフェイ、リー（2015 年 12 月 1 日）「ImageNet 大規模視覚認識チャレンジ」。コンピュータビジョンの国際ジャーナル。115 ( 3) : 211–252.arXiv : 1409.0575 。土井：10.1007/s11263-015-0816-y。ISSN 1573-1405。