【告别】李飞飞深情回顾ImageNet 8年：改变AI和世界的数据（PPT）

【新智元招聘】AI 盛夏，星舰启航。《新一代人工智能发展规划》发布之际，新智元也正式入驻融科资讯中心 B 座，整装待发。天时地利，星辰大海，我们召唤你——新船员的加入！COO、总编、主笔、内容运营、客户总监、客户经理、视觉总监（兼职） 7 大职位招聘全新启动。点击文末 阅读原文 查看详情。

简历投递：jobs@aiera.com.cn   HR 微信：Dr-wly

1 新智元专访  

来源：QZ

作者：Dave Gershgorn

编译：闻菲 熊笑

【新智元导读】今天，ImageNet 创始人李飞飞在 CVPR“超越 ILSVRC” workshop 介绍了最后一届 ImageNet。回顾过去 8 年，计算机视觉中一个最艰深的学术命题物体识别被攻克，神经网络和深度学习重新定义了人工智能的方法论。李飞飞在接受新智元采访时谈了这 8 年里她印象最深的两件事——在线众包平台 Amazon Mechanical Turk 的发现和深度学习的应用，前者令她意识到构建 ImageNet 大规模数据集的可行性，后者开启了深度学习乃至人工智能新的篇章。

在 CVPR 会议期间，计算机视觉期刊  IJCV 举办了 IJCV Asia Night 学术主题活动，李飞飞作为当晚嘉宾，对一些曾给予她帮助的朋友和同事表示了真挚的感谢，其中包括 UC 伯克利教授 Jitendra Malik，李飞飞称他是在 CV 和 AI 方面对她启发最大的人之一；UCLA 终身教授朱松纯，李飞飞认为他在计算机视觉领域的思考和研究对她也有巨大的启发；中国工程院、中国科学院外籍院士黄煦涛，李飞飞在 UIUC 获得的第一份教授职位在很大程度上得到了他的提携；微软全球执行副总裁沈向洋，他在李飞飞去谷歌时给出了很好的建议；普林斯顿大学的李凯，他在李飞飞开始做 ImageNet 时给予了巨大的鼓励和支持。另外，李飞飞特别提到了，她一共有 23 个学生和博士后是亚洲血统，他们来自中国、印度、日本、韩国、伊朗等等。李飞飞特别对她的两个学生邓嘉和李佳表示了感谢。李飞飞引用了蜘蛛侠的名言“能力越大，责任越大”，指出人工智能工作者重任在肩。李飞飞同时指出，中国是世界上第一个发布人工智能白皮书的国家，领先于美国、英国和所有业界力量看到人工智能的潜能。李飞飞引用了现代哲学家 Shannon Vallor 的话作为她分享的结束语：机器没有独立的价值观，机器的价值观就是人类的价值观。

如今看，ImageNet 及其竞赛的重要性已经不言而喻，但实际上，从更长的周期看，ImageNet 系列工作对计算机视觉、机器学习、人工智能乃至人类进步的影响都更为巨大——ImagNet 数据集让人们意识到，构建优良数据集的工作是 AI 研究的核心，数据和算法一样至关重要。ImageNet 开源开放的原则也代表了 AI 研究的根本，我们需要让所有人都参与开发更好的 AI 算法和模型。

本文后附李飞飞今天在最后一届 ImageNet workshop 的演讲 PPT。

2006 年，李飞飞开始反复思考一个问题。

当时的李飞飞才刚刚在伊利诺伊大学香槟分校（UIUC）任教，她看到整个学界和工业界普遍流行一种想法，都在致力于打造更好的算法，认为更好的算法将带来更好的决策，不论数据如何。

但李飞飞意识到了这样做的局限——即使是最好的算法，如果没有好的、能够反映真实世界的训练数据，也没办法用。

李飞飞的解决方案是：构建一个更好的数据集。

“我们决定我们想做一件史无前例的事情，”李飞飞说，这里的“我们”指的是最初与她合作的一个小团队。“我们要详细描绘出整个世界的物体。”

由此生成的数据集名叫 ImageNet。相关论文发表于 2009 年，最初作为一篇研究海报在迈阿密海滩会议中心的角落展示出来。但没过多久，这个数据集就迅速发展成为一项年度竞赛，衡量哪些算法可以以最低的错误率识别数据集图像中的物体。 许多人都认为 ImageNet 竞赛是如今席卷全球 AI 浪潮的催化剂。

ImageNet 竞赛的历届参赛成员散布在科技界的每一个角落。2010 年比赛第一名的获奖者，之后依次在百度、谷歌和华为担任要职。2013 年 ImageNet 获奖者 Matthew Zeiler 根据他的获奖方案建立了 Clarifai，现在得到了 4000 万美元的风险投资支持。2014 年，来自牛津大学的两名研究人员和谷歌共同获得了 ImageNet 竞赛，他们迅速被吸收然后加入了  DeepMind。

李飞飞现在是谷歌云的首席科学家、斯坦福大学教授，斯坦福 AI 实验室的主任。

今天，她在 CVPR 上介绍 2017 年 ImageNet 的成果——而 2017 年是比赛的最后一年。在短短 7 年时间里，物体分类冠军的精确度从 71.8％ 上升到 97.3％，超越了人类物体分类水平，也有力证明了更大的数据会带来更好的决策。

就算 ImageNet 竞争结束，其遗产已经形成。自 2009 年以来，在计算机视觉、自然语言处理和语音识别等子领域，研究人员也引入了几十种新的 AI 研究数据集。

“ImageNet 思维所带来的范式转变是，尽管很多人都在注意模型，但我们要关心数据，”李飞飞说：“数据将重新定义我们对模型的看法。”

ImageNet 数据集：起初不被看好的伟大成功

在 20 世纪 80 年代后期，普林斯顿心理学家乔治·米勒（George Miller）创建了一个名为 WordNet 的项目，旨在建立一个英语层级结构。WordNet 像字典一样，但其中单词会被显示为与其他单词相关的形式，而不是依照字母顺序排列。例如在 WordNet 中，“狗”这个词将被嵌套在“犬”这个类别下，而“犬”又被嵌套在“哺乳动物”下，以此类推。这是按照机器可读的逻辑组织的语言的一种方式，WordNet 积累了超过 155,000 个有索引的单词。

李飞飞在 UIUC 的第一份教学工作中，一直在努力解决机器学习中的一个核心矛盾：过拟合和泛化。过拟合就是指算法只能处理与之前见过的数据类似的数据；变化稍微大一点的问题就不能理解。另一方面，如果一个模型无法在数据之间找到正确的模式，那么它就属于 overgeneralizing。

李飞飞说，要找到完美的算法似乎还很遥远。她发现以前的数据集并没有反映出世界的多变，就连只是识别猫的图片都是件无限复杂的事情。但是，通过给算法更多的样本，向算法展示世界是多么复杂，算法在数学意义上对现实有了更好的理解。如果你只看 5 张猫的照片，那么你只知道这 5 个摄像机角度、照明条件和最多 5 种不同种类的猫。但是，如果你看过 500 张猫的照片，你就能从更多的例子中发现共同点。

李飞飞开始阅读其他人如何构建数据集对世界进行真切表示的文献。在这个搜索的过程中，她发现了 WordNet。

看过 WordNet 的方法后，李飞飞在 2006 年访问普林斯顿期间，见到了 Christiane Fellbaum 教授，后者在持续构建 WordNet 方面有很大的影响力。Fellbaum 认为，WordNet 可以可以让每个单词都有一张相关联的图像，更多地作为参考而不是一个计算机视觉数据集。这次会见后，李飞飞产生了一个更宏大的想法——一个大规模的数据集，每个单词都有很多张图像例子。

几个月后，李飞飞加入了她的母校普林斯顿大学任职，并于 2007 年初开始从事 ImageNet 项目。她开始建立一个团队来做这件事情，首先找到了同校的 Kai Li 教授，后者说服博士生 Jia Deng 转入李飞飞的实验室。Jia Deng 一直参与 ImageNet 项目，直到 2017 年。

“对我而言，这显然与其他人正在做的事情有很大的不同，与其他人当时关注的焦点有很大不同。” Jia Deng 说：“我很清楚地知道这将为整个视觉研究带来改变，但我不知道具体会如何改变。”

ImageNet 数据集中的物体（对象）将覆盖实物（如大熊猫或教堂）到抽象概念，比如爱情。

李飞飞首先想到雇用本科生，10 美元一小时，手动查找图像并将其添加到数据集中。但简单的数学很快就让李飞飞意识到，以本科生收集图像的速度，项目需要 90 年才能完成。

在本科生工作团队解散后，李飞飞和她的团队又开始重新思考。如果让计算机视觉算法从互联网上收集照片，人类只负责标注呢？但经过数月修改算法后，团队得出的结论，这种方法也不可持续——当使用这种方法构建的数据集弄好以后，未来的算法将只能判断算法能够识别的图像。

本科生耗费时间，算法有缺陷，团队没有钱——李飞飞说，项目不仅没有赢得任何联邦拨款，还收到很多负面评论，称普林斯顿研究这课题太浪费（shameful），项目申请唯一可以称道的点就是李飞飞是女人。

最终，李飞飞在跟研究生闲聊的时候意外浮现出了一个解决方案。这个研究生问李飞飞有没有听说过 Amazon Mechanical Turk，这项服务让世界各地坐在电脑前的人完成一小笔小笔的在线工作。

“他向我展示了网站，就是那一天，我知道 ImageNet 项目一定能成功，”李飞飞说：“突然间，我们发现了一个可以扩展的工具，这是招聘普林斯顿的大学生完全不能想象的。”

众包平台 Mechanical Turk 本身也带来了一大堆问题，其中许多工作都是由李飞飞的两名博士生学生，Jia Deng 和 Olga Russakovsky 完成的。例如，每张图像需要多少个众包工人来看？也许两个人就能确定一只猫是一只猫，但是一张微型哈士奇的图片可能需要 10 轮验证。如果一些众包工人胡乱标注怎么办？李飞飞的团队最终为众包工人的行为创建了一批统计模型，帮助确保数据集只包含正确的图像。

即使在发现 Mechanical Turk 这个平台后，数据也花了两年半的时间才完成。ImageNet 数据集由 320 万个标记图像组成，分为 5,247 个类别，归到 12 个子例里，比如“哺乳动物”，“车辆”和“家具”。

2009 年，李飞飞和她的团队发表了 ImageNet 数据集的论文，基本没有引发什么反响。李飞飞回忆说，计算机视觉研究领域的顶级会议 CVPR，只给了那篇论文一张海报展示（poster）的位置，而不是口头介绍（oral）。李飞飞和她的团队在会场发带有 ImageNet 字样的笔来吸引人们的兴趣。当时的人都很怀疑他们更多的数据有助于开发更好算法的看法。

“当时有人说‘如果你连一个物体都做不好，为什么要做上千乃至上万个呢？”Jia Deng 说。

如果数据是新的原油，那么在 2009 年，它还处于恐龙化石的形态。

ImageNet 竞赛：深度学习等待已久的机遇

2009 年晚些时候，在京都举行的计算机视觉会议上，一位名叫 Alex Berg 的研究员找到李飞飞，建议在比赛中增加一个命题，让算法找到图片中物体（对象）所在的位置，而不仅仅说图中有这么个东西。李飞飞回应说：那你来和我一起工作吧。

于是，李飞飞、Berg 和 Deng 一起，根据数据集撰写了 5 篇论文，探讨了算法如何解释这样大量的数据。第一篇论文后来成为如何处理几千种图像的基准，这也是 ImageNet 竞赛的前身。

对于这第一篇论文，李飞飞说，“我们意识到要把这个想法推广出去，我们需要找到更多人。”

然后，李飞飞联系了欧洲知名图像识别大赛 PASCAL VOC，后者同意与 ImageNet 合作，在宣传 ImageNet 竞赛时带上他们的名字。PASCAL 是业界知名的竞赛和数据集，但代表的是以前的思维方式。这个数据集只有 20 个类别，而 ImageNet 的这个数字是 1000。

随着 ImageNet 在 2011 年和 2012 年连续举办，它很快成为图像分类算法在处理当时最复杂视觉数据集时的基准。

不仅如此，研究人员也开始注意到更多的事情，不仅仅是竞赛——他们的算法在使用 ImageNet 数据集训练时表现更好。

“令人惊喜的是，你可以用在 ImageNet 上训练的模型启动其他识别任务。你从 ImageNet 模型开始，然后微调来进行另一个任务，”Berg说：“这是神经网络的突破，也是整个视觉识别的突破。”

在第一次 ImageNet 竞赛的两年后，2012 年，发生了一件更大的事情。事实上，如果我们今天看到的人工智能繁荣可以归功于一个事件，那么这件事就是 2012 年 ImageNet 竞赛结果的公布。

多伦多大学的 Geoffrey Hinton，Ilya Sutskever 和 Alex Krizhevsky 提交了一个名为 AlexNet 的深度卷积神经网络架构——至今仍在研究中使用——实现了准确率 10.8% 的大幅提升，高出第二名 41%。

对于 Hinton 和他的两个学生来说，ImageNet 的出现恰逢其时。自 20 世纪 80 年代以来，Hinton 一直致力于人工神经网络的研究，尽管有些像 Yann LeCun 一样，能够通过贝尔实验室的影响将这项技术应用于 ATM 支票识别，但是 Hinton 的研究却无处可用。几年前，显卡制造商英伟达的研究让这些网络的处理速度更快，但神经网络仍然不如其他技术。

Hinton 和他的团队表明，他们的网络可以在较小的数据集上执行较小的任务，如手写字符检测。但是，他们需要更多的数据才能在现实世界中有用。

“如果你在 ImageNet 上做得很好，你就能解决图像识别问题，这是再清楚不过的。”Sutskever 说。

今天，这些卷积神经网络已经无处不在——LeCun 现在是 Facebook AI Research 的主管，Facebook 使用它们来标记你的照片，自动驾驶汽车在使用它们来检测物体，基本上任何识别图像和视频的系统都使用卷积神经网络（CNN）。CNN 可以通过抓取抽象特征分辨图像中的内容，找到模式与新输入的图像模式相匹配。Hinton 几十年来一直试图说服同行他的研究有用，现在他终于有了证据。

“更令人惊奇的是，人们能够通过深度学习来不断改进，”Sutskever 说，指多层神经网络能够处理更复杂的模式，也是现在最受欢迎的人工智能技术。“深度学习就是我们要的东西（Deep learning is just the right stuff）。”

2012 年 ImageNet 竞赛的结果使计算机视觉研究人员纷纷开始复现这一过程。纽约大学的博士生 Matthew Zeiler 曾经跟着 Hinton 学习，他发现了 ImageNet 竞赛的结果，并通过多伦多大学的联系很早获知了论文和代码。他开始与 Rob Fergus 合作，Fergus 是纽约大学的教授，也一直研究神经网络。两人开始为 2013 年的 ImageNet 竞赛设计自己的方案，Zeiler 最后提前几周结束了在谷歌实习，专注于提交 ImageNet 竞赛结果。

2014 年，也就是 Zeiler 和 Fergus 获胜那一年，所有的高分结果使用的方法都是深度神经网络。

“2012 年的 ImageNet 竞赛无疑引发了 AI 大爆炸，”Zeiler 表示：“在此之前，语音识别有一些非常有希望的结果（其中许多是由多伦多大学开启的），但是都没有像 2012 年和接下来的 ImageNet 竞赛冠军一样广为流传。”

竞赛虽然结束，但 ImageNet 精神永存

现在，许多人都认为 ImageNet 已经被解决了——误差率在 2％ 左右真的很低了。但是，这是分类的结果，也就是识别图像中的物体是什么。这并不代表算法知道这个物体的属性，它来自哪里、功能是什么、如何使用，或者如何与其周围环境进行交互。总之，算法实际上并不理解它看到了什么。这在语音识别中，甚至在很多自然语言处理中也是如此。虽然 AI 今天在分辨事物上十分厉害，但接下来要在现实世界情景中理解事物是什么。至于怎么做到这一点，AI 研究人员目前还不清楚。

尽管 ImageNet 竞赛结束了，但 ImageNet 数据集——经过多年来更新，现在已经超过 1300 万张图片将会继续。

Berg 表示，团队试图在 2014 年结束竞赛的一个子命题，但却遭到了来自包括谷歌和 Facebook 等公司的阻力。产业界非常喜欢这个基准，他们可以指着一个数字说：“看我们这么牛。”

自 2010 年以来，谷歌、微软和 CIFAR 推出了其他一些数据集，因为事实表明深度学习需要像 ImageNet 这样的大数据。

数据集已经变得非常重要。创始人和风险投资家会在 Medium 写文章介绍最新发布的数据集，以及他们的算法在 ImageNet 上的表现。互联网公司，比如谷歌、Facebook 和亚马逊已经开始创建自己的内部数据集，数据都来自每天在他们的平台上输入和共享的数百万图像、语音片段和文本片段。即使是初创公司也开始构建自己的数据集——TwentyBN，一个专注于视频理解的 AI 初创公司，发布了两个免费的学术数据集，每个数据集有超过 100,000 个视频。

李飞飞说：“各种数据集，从视频到语音到游戏，都有很大的发展。”

有时人们理所当然的认为这些花了大力气收集、组合、检验的数据集是免费的。开放和自由使用是 ImageNet 的原始宗旨，这一宗旨也将超越 ImageNet 竞赛，甚至数据集传承下去。

2016 年，谷歌发布了 Open Images 数据集，其中包含 6000 多个类别的 900 万张图像。谷歌最近更新了数据集，在每个图像中包含了特定对象所在的标签，这个特点在 2014 年的ImageNet 竞赛后成了图像数据集的标配。DeepMind 最近也发布了人类进行各种行为的视频数据集。

“ImageNet 让 AI 领域发生的一个重大变化是，人们突然意识到构建数据集这个苦活累活是 AI 研究的核心，”李飞飞说： “人们真的明白了，数据集跟算法一样，对研究都至关重要。”

演讲 PPT：IMAGENET—Where have we been？Where are we going？

李飞飞演讲开始：IMAGENET，我们做了哪些事情？现在将去向何方？

开端： CVPR 2009，迈阿密

IMAGENET 的影响

IMAGENET on Google Scholar

从参赛者到初创企业

深度学习的革命，深度学习为何突然改变了你的生活

“The IMAGENET of x”

数据集的爆发  Kaggle

李飞飞演讲中

“数据集—而非算法—可能是人类水平人工智能发展的关键性限制因素”

IMAGENET，不为人知的历史

“几乎不算是第一个图像数据集”

视觉学习的机器学习问题

Complexity, Generalization, Overfitting

One-Shot Learning

李飞飞演讲中

One-Shot Learning 算法：贝叶斯变分推断

孩子是如何学习去看的？

孩子是如何学习去看的？

新思路：转换视觉识别的机器学习焦点

互联网数据增长（1990-2010）

WordNet 是什么？

Christiane Fellbaum

“Individually Illustrated WordNet Nodes”

IMAGENET Comrades

ImageNet 的建设

ImageNet 的建设

ImageNet 的建设

启动 IMAGENET 的三次尝试

第一次尝试：精神物理学实验

第一次尝试：精神物理学实验

第二次尝试：“人为介入”解决方案

第二次尝试：“人为介入”解决方案

第三次尝试：天赐良机

2009 年，IMAGENET "Goes Live"

我们做对的一件事是...

当其他人追求细节时...

我们追求的是规模（scale）

IMAGENET 的其他目标

IMAGENET，ILSVRC 2010-2017

ILSVRC 的贡献者

我们的灵感来源：PASCAL VOC

我们的灵感来源：PASCAL VOC，Mark Everingham

性能表现

性能表现

性能表现

我们做了什么让 ImageNet 变得更好

缺少细节

缺少细节...ILSVRC 检测挑战

ILSVRC 检测任务的评估

ILSVRC 检测任务的评估

10K+ classes 分类告诉了我们什么

细粒度识别

细粒度识别

预期结果

非预期结果

Neural Nets are Cool Again！

Cooler and Cooler...

深度学习革命三要素：神经网络、互联网图像数据、GPU

Ontological Structure 用得不那么多

使用 Ontology 的工作相当少

大多数工作仍在用 1M 图像做预训练

“我们发现在视觉任务中的表现和训练数据集的 size 数量级成正比.”

比起人类如何？

比起人类如何？

接下来的工作

从对象识别

到人类水平的理解

Inverse Graphics

计算机视觉理解

视觉基因数据集（Visual Genome Dataset）

视觉基因数据集（Visual Genome Dataset）

通过网络数据学习的视觉理解 Workshop

视觉和智能的未来

8 年 IMAGENET 竞赛

IMAGENET+Kaggle

IMAGENET+Kaggle

IMAGENET：贡献者/伙伴/顾问

“这并非结束，结束甚至还没有开始，但也许，我们已经起步。”

---

【号外】新智元正在进行新一轮招聘，飞往智能宇宙的最美飞船，还有N个座位

点击阅读原文可查看职位详情，期待你的加入~