谷歌发布迄今最大注释图像数据集，190万图像目标检测挑战赛启动

【新智元导读】今天，谷歌宣布开放Open Images V4数据集，包含190万张图片，共计600个类别，共标记了1540万个边界框，这是迄今的有对象位置注释的最大数据集。基于此数据集，谷歌将在ECCV 2018举办大型图像挑战赛。

2016年，谷歌推出一个包含900万张图片的联合发布数据库：Open Images，其中标注了成千上万个对象类别。从它发布以来，谷歌的工程师一直在努力更新和重新整理数据集，以为计算机视觉研究领域提供有用的资源来开发新的模型。

今天，谷歌宣布开放Open Images V4，其中包含190万张图片，共计600个类别，共标记了1540万个边界框。这个数据集成为现有的带有对象位置注释的最大数据集。这些边界框大部分是由专业的注释人员手工绘制的，以确保准确性和一致性。这些图像非常多样，通常包含有几个对象的复杂场景（平均每个图像包含8个边界框）。

谷歌发起大型开放图像挑战赛

与此同时，谷歌还推出Open Image Challenge（开放图像挑战赛），这是一项新的目标检测挑战，将在2018年欧洲计算机视觉会议（ECCV 2018）上举行。Open Image Challenge遵循了PASCAL VOC、ImageNet和COCO的传统，但规模空前：

在170万张训练图片中，有1220万个有框注释，共500个类别。

比以前的检测挑战更广泛，包括诸如“fedora”和“snowman”之类的新对象。

除了对象检测这个任务之外，挑战还包括一个视觉关系检测跟踪人物，即在特定关系中检测对象的配对情况，例如“女人弹吉他”。

训练集现在已经可以使用了。一组包含10万个图像的测试集将于2018年7月1日由Kaggle发布。提交结果的截止日期是2018年9月1日。我们希望这些大型的训练集能够激发对更精密的探测模型的研究，这些模型将超过目前最先进的性能，并且500个类别将能够更精确地评估不同的探测器在哪里表现得最好。此外，有大量的图像和许多对象的注释使我们能够探索视觉关系检测，这是一个正在发展的分支领域的热门话题。

除此之外，Open Images V4还包含3010万的人工验证的图像级标签，共计19794个类别，这并不是挑战的一部分。该数据集包括550万个图像级标签，由来自世界各地的成千上万的用户在crowdsource.google.com上生成。

Open Images V4数据集

Open Images是一个由900万张图片组成的数据集，这些图像被标注为图像级标签和对象边界框。V4的训练集包含了600对象类的1460万个图像，其中共标记了174万个标记目标，这使得它成为现有的最大包含对象位置注释的数据集。这些物体的边界框大部分是由专业的注释器手工绘制的，以确保准确性和一致性。这些图像非常多样，通常包含有多个对象的复杂场景（平均每个图像有8.4个标记）。此外，数据集还带有数千个类的图像级标签。

数据组织结构

数据集被分割为一个训练集（9,011,219图像），一个验证集（41620个图像）和一个测试集（125,436张图片）。这些图像被标注了图像级标签和边界框，如下所述。

表1

表1显示了数据集的所有子集中的图像级标签的概述。所有的图像都有机器生成的图像级标签，这些标签是由类似于Google Cloud Vision API的计算机视觉模型自动生成的。这些自动生成的标签有一个很大的假正率。

此外，验证和测试集，以及部分训练集都包含经过人工验证的图像级标签。大多数验证都是由Google内部的注释者完成的。更小的部分是通过图片标签软件来完成的，如Crowdsource app, g.co/imagelabeler。这个验证过程实际上消除了假阳性（但不是传统意义上的假阴性，这种方式会导致一些标签可能在图像中丢失）。由此产生的标签在很大程度上是正确的，我们建议使用这些标签来训练计算机视觉模型。使用多个计算机视觉模型来生成样本，这样做是保证在训练时不仅仅用机器生成的标签数据，这就是为什么词汇表被显著扩展的原因，如表一所示。

总的来说，有19995个不同的类和图像级标签。请注意，这个数字略高于上表中人工验证的标签的数量。原因是在机器生成的数据集中有少量的标签并没有出现在人工验证的集合中。可训练的类是那些在V4训练集中至少有100个正例的人工验证类。基于这个定义，7186个类被认为是可训练的。

边界框

表2

表2显示了数据集的所有分割中边界框注释的概述，它包含了600个对象类。这些服务提供的范围比ILSVRC和COCO探测挑战的范围更广，包括诸如“fedora”和“snowman”之类的新对象。

对于训练集，我们在174 万的图像中标注了方框，用于可用的阳性人工标记的图像级标签。我们关注最具体的标签。例如，如果一个图像包含汽车、豪华轿车、螺丝刀，我们为豪华轿车和螺丝刀提供带注释的标注方框。对于图像中的每一个标签，我们详尽地注释了图像中的对象类的每个实例。数据集共包含1460万个的边界框。平均每个图像有8.4个标记对象。

对于验证和测试集，针对所有可用的正图像级标签，我们提供了所有对象实例详尽的边界框注释。所有的边界框都是手工绘制的。我们有意地尝试在语义层次结构中尽可能详尽地标注注释框。平均来说，在验证和测试集中，每个图像标记了5个边界框。

在所有的子集中，包括训练集、验证集和测试集中，注释器还为每个边界框标记了一组属性，例如指出该对象是否被遮挡。

类定义（Class definitions）

类别由MIDs（机器生成的id）标识，可以在Freebase或Google知识图的API中找到。每个类的简短描述都可以在类中CSV中找到。

统计和数据分析

600个可标记类的层次结构

本文来自新浪网

上一篇:龙猫数据携手400万用户升级数据服务，AI企业成最大受益者

下一篇:人工智能未来的数据标注将会是自我标注

推荐文章

爱数智慧—人工智能数据服务商中的一匹黑马

大数据给人的印象貌似虚无缥缈，如今实则高频率的存在于每个人的身边。简单的说从你拿起手机订餐，到购买任何生活起居用品的时候已经形成了数据。当数据量足够大的时候，便为人工智能提供了可以进行从任何角度分析得出任何结论的基础库。这是一个“细思极恐”的事情。牛津大学的一项研究甚至显示，未来二十年将会有 47%的工作被机器人取代。这个叫做 Mighty AI 的公司，希望用众包平台的方式，帮助科技公司解决人工智能的数据来源。(上图为爱数智慧的主要业务-人脸标注)2017年年初，美国人工智能众包服务平台Spare5更名为Mighty AI，并宣布获得1400万美元B轮融资。本轮融资由英特尔投资(Intel Capital)领投，谷歌风投和Accenture Ventures以及原有投资者也参加了此次融资。2016年4月，谷歌CEO Sundar Pichai第一次明确的提出AI将优先作为公司大战略。谷歌以深度学习技术为依托，涉足语言理解、人机交互、机器人等人工智能核心技术应用领域，全方位布局人工智能帝国。到底是一家什么样的公司，竟然能够赢得人工智能风向标——Google的青睐和投资。Mighty AI于2014年成立，总部位于西雅图。迄今为止，Mighty AI与微软、Pinterest和IBM等大型公司建立了合作关系，他们为Mighty AI社区提供识别照片、文章打分、情绪分析等任务。Mighty AI通过付钱给主题相关的专家来用几分钟回答问题或完成任务。(上图为爱数智慧的主要业务-情感分析)Mighty AI之所以能够得到Google的投资，首先，Mighty AI足够专业，通过找到主题相关的专家对相应的数据进行标注和注释。其次，Mighty AI对数据的标注和注释速度快。“我们喜欢Mighty AI的地方在于我们的许多客户第一步都是要注释数据，他们只有做完之后才能在我们的人工智能芯片和软件基础上构建，”英特尔投资的总经理肯?埃莱凡特(Ken Elefant)说。“通过Mighty AI,所有这些注释将会以更快的速度完成，这将帮助英特尔的客户更快地进行配置。”最后，Mighty AI严格控制注释数据的质量，对注释工作完成好的人员提高薪酬及任务优先级，相反，任务完成不好的人员也会收到相应的反馈甚至解聘。不只国外投资者意识到数据管理对人工智能的重要性，国内的数据服务企业也获得了投资机构的青睐。据新经济创投数据服务商IT桔子报道，2017年，国内的数据管理平台类企业获投率在人工智能领域内遥遥领先，达到79.66%。中国的人工智能数据处理企业中，北京爱数智慧科技有限公司，称得上是人工智能数据服务业的一匹黑马，从2016年成立至今，已经获得数千万元的融资，市值近两亿元人民币。成立一年多，就已经与包括微软、阿里巴巴、腾讯、中国移动、滴滴、Nuance等国内外知名企业建立了战略性合作。爱数智慧之所以发展这么迅速，在短时间内与多家企业建立合作，主要原因有以下几点：首先，爱数智慧的标注团队非常专业，他们拥有各行各业的人员，他们专注处理自己擅长领域的数据;其次，由于团队的专业性，标注和注释的效率在行业内处于领先水平，这点深受客户的喜爱，合作过的客户都与其建立了长期合作战略;最后，爱数智慧自主研发的智能化数据处理系统可以随时监控数据标注和处理，并反馈数据处理效果，利于平台管理数据处理人员，更有利于提高数据标注效率和质量。(上图为爱数智慧的主要业务-交通目标物体标注)行业内不乏人工智能数据提供商，但是毫无疑问像爱数智慧这样的发展势头强劲的黑马不多见。爱数智慧会成为下一个Mighty AI吗?让我们开始发挥想象力吧。从目前消费互联网的发展来看，可以很清楚的感受到大数据、人工智能对我们生活的影响，我们未来的发展终将离不开大数据。

热门文章

为什么有些人说数据标注就是个坑？

对数据标注行业稍微有些了解的人都知道数据标注进入门槛低，适合很多人兼职也适合创业。正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。但是目前有个有趣的现象，那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑？为什么有些人会说数据标注就是个坑呢？其实对与有上述问题认识的人我们认为，这些人多数都是有于对这个行业对自身条件的不了解，盲目的开始进入数据标注行业的。为什么我们会这样说呢？下面就给给大家来分析下到底有哪几方面的原因：一、有相当一部分人是听了朋友或者网上消息说这行很火爆，好做，门槛低，也有一部分人了因此租办公室买电脑招人，然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业，更没有认真仔细得去调查分析，到底自己能不能做好一个项目，到底自己能不能有质有量按时交付的完成一个项目，到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。二、数据标注项目虽然入门门槛低，但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目，还有一部分人由于自己对标注项目重视程度不足接到项目之后呢？不仔细认真的去阅读理解项目规则，更没有很好的对规则质检标准去培训员工，而对员工的要求主要看重每天的产出效率，从而导致接到手的项目做的质量很差，频繁的返工，有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少，最终的结果就是做好些个项目但基本都是赔钱。三、虽然业内人都说数据标注简单，但是标注项目他也是一个系统性的工程，一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平，质量管理能力，运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱，要赚钱不是那么简单的。四、还有些工作室、小公司因为对行业不够了解等他们做了一段时间后发现，自己团队经常会没有项目做，而自己团队接项目的业务能力又不具备，甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目，时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。五、下来要说的就是一部分人人兼职人员由于认识不到位，对项目的规则质量要求文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算，最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。标注行业本身由于进入门槛低，做的人很行业内盲目打价格战，导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱，所以在这里也提醒大家做任何事都要谨慎而行。

友情链接: