ImageNet: крупномасштабная иерархическая база изображений

Взрывное увеличение объёма изображений в Интернете способно стимулировать разработку более сложных и устойчивых моделей и алгоритмов для индексирования, поиска, организации и взаимодействия с изображениями и мультимедийными данными. Однако вопрос о том, как такие данные можно эффективно использовать и организовать, остаётся критическим. В данной работе мы представляем новую базу данных под названием «ImageNet», крупномасштабную онтологию изображений, построенную на основе структуры WordNet. Цель ImageNet — заполнить большинство из примерно 80 000 синосет (synset) WordNet в среднем по 500–1000 чистых изображений в полном разрешении. Это приведёт к созданию десятков миллионов аннотированных изображений, организованных по семантической иерархии WordNet. В статье даётся подробный анализ текущего состояния ImageNet: 12 поддеревьев с 5 247 синосетами и в общей сложности 3,2 миллионами изображений. Мы показываем, что ImageNet существенно превосходит существующие наборы изображений по масштабу, разнообразию и точности. Построение такой крупномасштабной базы данных является сложной задачей. Мы описываем схему сбора данных с использованием Amazon Mechanical Turk. В завершение мы демонстрируем полезность ImageNet на трёх простых приложениях: распознавание объектов, классификация изображений и автоматическая кластеризация объектов. Мы надеемся, что масштаб, точность, разнообразие и иерархическая структура ImageNet предложат беспрецедентные возможности исследователям в сообществе компьютерного зрения и за его пределами.