(Translated by https://www.hiragana.jp/)
ImageNet - Wikipedia コンテンツにスキップ

ImageNet

出典しゅってん: フリー百科ひゃっか事典じてん『ウィキペディア（Wikipedia）』
機械きかい学習がくしゅうおよび
データマイニング
問題もんだい
クラスタリング
次元じげん削減さくげん
構造こうぞう化か予測よそく（英語えいご版ばん）
異常いじょう検知けんち
ニューラルネットワーク
強化きょうか学習がくしゅう
理論りろん
学会がっかい・論文ろんぶん誌し等とう
全般ぜんぱん

カテゴリ Category:機械きかい学習がくしゅう

カテゴリ Category:データマイニング

ImageNetは、物体ぶったい認識にんしきソフトウェアの研究けんきゅうで用もちいるために設計せっけいされた大だい規模きぼな画像がぞうデータベースである。ImageNetでは、1400万まんを超こえる[1][2]画像がぞうに手作業てさぎょうでアノテーションを行おこない、画像がぞうにどのような物体ぶったいが写うつっているかを示しめしている。また、100万まん枚まい以上いじょうの画像がぞうにバウンディングボックス（英語えいご版ばん）も付与ふよされている[3][注釈ちゅうしゃく 1]。ImageNetには、20,000を超こえるカテゴリがあり、その中なかには「気球ききゅう(balloon)」や「イチゴ(strawberry)」といった数すう百ひゃく枚まいの画像がぞうで構成こうせいされる一般いっぱん的てきな物体ぶったいカテゴリも含ふくまれる[4]。2010年ねんから2017年ねんまで、ImageNetプロジェクトは毎年まいとし、大だい規模きぼ[5]な画像がぞう認識にんしき技術ぎじゅつコンテストであるILSVRC(the ImageNet Large Scale Visual Recognition Challenge)を開催かいさいしていた。このコンテストは、ソフトウェアが物体ぶったいや情景じょうけいをどれだけ正ただしく分類ぶんるい、検出けんしゅつできるかを競きそうものである[6]。チャレンジでは、重複じゅうふくしないように調整ちょうせいされた1000個このカテゴリが利用りようされる[7]。論文ろんぶんにより、今いまのImageNetの最高さいこうなレコードは「CoCa(finetune)」である。[8]

深層しんそう学習がくしゅうへの貢献こうけん

[編集へんしゅう]

2012年ねん9月がつ30日にち、 AlexNet[9]と呼よばれる畳たたみ込こみニューラルネットワーク（CNN）が、ILSVRC2012においてトップ5エラー[注釈ちゅうしゃく 2]で16.4%を達成たっせいした[11]。これは、次点じてんのものより約やく10%程度ていど低ひくい値ねであった[11]。エコノミスト誌しによれば、「ディープラーニングは突如とつじょとして、AIコミュニティに留とまらず、テクノロジー業界ぎょうかい全体ぜんたいで注目ちゅうもくを集あつめるようになった。」と評ひょうしている[4][12][13]。

2015年ねんには、Microsoftが開発かいはつした100層そうを超こえる非常ひじょうに層そうの深ふかいCNNがAlexNetを上回うわまわり、ImageNet2015コンテストで優勝ゆうしょうした[14]。

こうした大幅おおはばな性能せいのう向上こうじょうの理由りゆうとして、深層しんそう学習がくしゅうモデルの構造こうぞうが発達はったつしたことや深層しんそう学習がくしゅうモデルの学習がくしゅうで並列へいれつ計算けいさんに用もちいられるGPUの性能せいのう向上こうじょうが著いちじるしいことに加くわえ、深層しんそう学習がくしゅうモデルを十分じゅうぶんに学習がくしゅうできるImageNetのような大だい規模きぼデータセットが登場とうじょうしたことも挙あげられている[15][16]。

ILSVRCは2017年ねんに終了しゅうりょうしている[5]が、ImageNetのデータベースは現在げんざいでもモデルやアルゴリズムの性能せいのうを比較ひかくするためのベンチマークとして画像がぞう認識にんしきの分野ぶんやでしばしば利用りようされている[17][18]。

データベースの歴史れきし

[編集へんしゅう]

AI研究けんきゅう者しゃのフェイフェイ・リは、2006年ねんにImageNetのアイデアに取とり組くみ始はじめた。当時とうじ、大だい部分ぶぶんのAI研究けんきゅうがモデルとアルゴリズムに焦点しょうてんを合あわせていた中なか、LiはAIアルゴリズムの学習がくしゅうに利用りようできるデータセットを拡張かくちょう、改善かいぜんしたいと考かんがえていた[19]。2007年ねんに、LiはWordNetの作成さくせい者しゃの1人ひとりであるプリンストン大学ぷりんすとんだいがくのChristiane Fellbaum教授きょうじゅと面会めんかいし、プロジェクトについて話はなし合あった。この議論ぎろんの結果けっか、LiはWordNetの単語たんごデータベースを元もとに、ImageNetの構築こうちくを進すすめた[20]。

プリンストン大学ぷりんすとんだいがくの助教授じょきょうじゅとして、LiはImageNetプロジェクトに取とり組くむための研究けんきゅう者しゃチームを編成へんせいした。彼かれらはAmazonMechanicalTurkを利用りようして画像がぞうの分類ぶんるいを支援しえんした[20]。

彼かれらは、フロリダで開催かいさいされた2009年ねんのConference on Computer Vision and Pattern Recognition（CVPR（英語えいご版ばん））で、初はじめてデータベースを対外たいがい向むけにポスターで発表はっぴょうした[20][21][22]。

データセット

[編集へんしゅう]

ImageNetは、アノテーションの工程こうていをクラウドソーシングしている[7]。画像がぞうレベルのアノテーションは、「この画像がぞうにトラがいる」「この画像がぞうにはトラがいない」といった、画像がぞう内ないに特定とくていのクラスのオブジェクトが存在そんざいするかどうかを示しめす。オブジェクトレベルのアノテーションは、示しめされたオブジェクトの周囲しゅういにバウンディングボックスを与あたえる。 ImageNetは、WordNetのカテゴリを使用しようしてオブジェクトを分類ぶんるいしている。例たとえば犬いぬに対たいしては120の犬いぬ種しゅのカテゴリで分わけられる[23]など、細こまかく分類ぶんるいされている。WordNetのカテゴリを使用しようすることの欠点けってんとして、ImageNetに対たいして本来ほんらい最適さいてきなカテゴリ分わけよりも高尚こうしょうなものになっている可能かのう性せいがあることが挙あげられる。 2012年ねん、ImageNetはアカデミックユーザーとしてMechanicalTurkを世界せかいで最もっとも利用りようしていた。平均へいきん的てきなアノテーション作業さぎょう者しゃは、1分ふんあたり50枚まいの画像がぞうを識別しきべつした[2]。 ImageNetは画像がぞうのURLと画像がぞうそれぞれに対たいするアノテーションのデータベースを提供ていきょうしており、ImageNetから直接ちょくせつ無料むりょうでダウンロードできるが、実際じっさいの画像がぞう自体じたいはImageNetが所有しょゆうしているわけではない[24]。

ImageNet Challengeの歴史れきし

[編集へんしゅう]
ImageNetで評価ひょうかしたエラー率りつの履歴りれき（各かく年とし、参加さんかチームの中なかで性能せいのうの良よい順じゅんに10エントリを抽出ちゅうしゅつ）

ImageNet Large Scale Visual Recognition Challenge(ILSVRC)は、2010年ねんから2017年ねんまで毎年まいとし実施じっしされていた[25]画像がぞう認識にんしきコンテストで、アルゴリズムを用もちいて学習がくしゅうしたモデルがImageNetのデータを分類ぶんるい、検出けんしゅつする能力のうりょくを競きそうものである[6]。ILSVRCは、2005年ねんに設立せつりつされたPASCAL VOCチャレンジという、より小規模しょうきぼなコンテストの後のちを継つぐことを目的もくてきとしたものである[26]。PASCAL VOCチャレンジには、約やく20,000枚まいの画像がぞうと20の分類ぶんるいクラスしか含ふくまれていなかった[27]。ImageNetを開ひらかれたものにするため、Fei-FeiLiはPASCAL VOCチームに協同きょうどうすることを提案ていあんした。この取とり組くみは、研究けんきゅうチームが特定とくていのデータセットでアルゴリズムを評価ひょうかし、いくつかの視覚しかく認識にんしきタスクでより高たかい精度せいどを達成たっせいするために競争きょうそうするというもので[20]、これがILSVRCのはじまりである。

ILSVRCは、ImageNetの分類ぶんるい体系たいけいによって分類ぶんるいされた1000の画像がぞうカテゴリから構成こうせいされるデータセットを使用しようする[注釈ちゅうしゃく 3][7]。2010年代ねんだいは、画像がぞう処理しょりが劇的げきてきに進歩しんぽした時期じきである。2011年ねん頃ごろには、ILSVRCの分類ぶんるいタスクにおけるTop-5 エラー率りつは約やく25％だった[11]。その後ご2012年ねんには、AlexNetと呼よばれる深層しんそう畳たたみ込こみニューラルネットを用もちいたモデルがTop-5 エラー率りつ約やく16％を達成たっせいした[11]。さらにそこからの数すう年間ねんかんで、Top-5エラー率りつは数すうパーセントまで低下ていかした[29]。2012年ねんのAlexNetのブレイクスルーは「それまでに存在そんざいしていたものの組くみ合あわせ」[注釈ちゅうしゃく 4]であったが、AlexNetは大量たいりょうのデータを学習がくしゅうすることで劇的げきてきな性能せいのう改善かいぜんを図はかっており、この大量たいりょうデータを学習がくしゅうできるようになる改善かいぜんは、業界ぎょうかい全体ぜんたいで人工じんこう知能ちのうブームが始はじまるきっかけとなった[4]。2015年ねんまでに、Microsoftの研究けんきゅう者しゃは、狭せまいILSVRCタスクにおいては、CNNの認識にんしき性能せいのうが人間にんげんの能力のうりょくを超こえたと報告ほうこくした [14][30]。ただし、ILSVRCの主催しゅさい者しゃの1人ひとりであるOlga Russakovskyが2015年ねんに指摘してきしたように、機械きかい学習がくしゅうプログラムは1つの画像がぞうに対たいして、1000のカテゴリのうち1つに属ぞくするものであると識別しきべつするだけで良よいのに対たいし、人間にんげんはより多おおくのカテゴリを認識にんしきすることができるし、（プログラムとは異ことなり）画像がぞうの文脈ぶんみゃくを判断はんだんすることもできる[31]。

2014年ねんまでに、のべ80を超こえる団体だんたいがILSVRCに参加さんかした[32]。 2015年ねんには百ひゃく度どの研究けんきゅう者しゃが、1週間しゅうかんのうちに2回かいまでしかモデルを提出ていしゅつできないという制限せいげんを、複数ふくすうのアカウントを用もちいることで破やぶったとして、1年間ねんかん参加さんかを禁きんじられた[33][34]。その後ご百ひゃく度どは、関与かんよしたチームリーダーを解雇かいこし、エンジニアに助言じょげんする委員いいん会かいを設置せっちすると発表はっぴょうした[35]。

2017年ねんには、参加さんかした38チームのうち29チームが95％を超こえる精度せいどを達成たっせいした[36]。こうしたことから、ImageNetももはや深層しんそう学習がくしゅう技術ぎじゅつの進展しんてんを測はかるベンチマークとしては、データ量りょうが少すくないと指摘してきされることもある[37]。 精度せいどの向上こうじょうが進すすみ上昇じょうしょうの余地よちが小ちいさくなってきたことを理由りゆうに、2017年ねんを最後さいごに終了しゅうりょうすることを発表はっぴょうし、同年どうねん7月がつの大会たいかいが最後さいごとなった[25]。

ImageNetの課題かだい

[編集へんしゅう]

2019年ねんに行おこなわれたImageNetとWordNetに関かんする様々さまざまな観点かんてん（分類ぶんるい体系たいけい、物体ぶったいクラス、ラベリング）からの研究けんきゅうにより、ほとんどの画像がぞう分類ぶんるいアプローチにImageNetやWordNetのデータセットのバイアスが深ふかく埋うめ込こまれていることが示しめされている[38][39][40][41]。例たとえばGoogleの研究けんきゅう者しゃは、2020年ねんに、ImageNetのラベルを新あらたに付与ふよし直なおしそのデータセットで複数ふくすうの画像がぞう認識にんしきアルゴリズムの性能せいのうを評価ひょうかしたところ、性能せいのうを改善かいぜんする効果こうかがアルゴリズムの作成さくせい者しゃが主張しゅちょうするものより小ちいさくなったと指摘してきしている[42]。同時どうじにアルゴリズムの性能せいのう向上こうじょうが、こうしたImageNetのラベルの誤あやまりに対たいして過か学習がくしゅうしている可能かのう性せいも指摘してきしている[42]。また、1つの画像がぞうに複数ふくすうの物体ぶったいが写うつっているケースも多おおく、それがモデルの性能せいのうに影響えいきょうを与あたえているという指摘してきもある[17]。ImageNetは、こうしたバイアスが生しょうじた原因げんいんに対処たいしょするための取とり組くみを進すすめている[43]。 また、ImageNetの画像がぞうがデータ収集しゅうしゅう過程かていで顔かおにぼかしを入いれていないというプライバシーの問題もんだいもある[44]。 他たに、人物じんぶつの顔かお画像がぞうに対たいするカテゴリに侮蔑ぶべつ的てきな表現ひょうげんを含ふくむものがあったことを2019年ねんに明あきらかにし、そうしたカテゴリを除去じょきょしたデータセットを新あらたに公開こうかいするといったデータ作成さくせい上じょうの課題かだいも表出ひょうしゅつしている[45][46]。

脚注きゃくちゅう

[編集へんしゅう]
[脚注きゃくちゅうの使つかい方かた]

注釈ちゅうしゃく

[編集へんしゅう]
  1. ^ 物体ぶったいの周囲しゅういに外接がいせつするような最小さいしょうの長方形ちょうほうけいのこと。物体ぶったい検出けんしゅつに用もちいられる。
  2. ^ モデルが予測よそくした分類ぶんるいカテゴリのうち、予よ測度そくどの高たかい上位じょうい5クラスのどれかが正解せいかいと一致いっちしていれば分類ぶんるいに成功せいこうしたとみなし、それ以外いがいを失敗しっぱいとしたときの認識にんしき失敗しっぱい率りつのこと[10]。
  3. ^ 例たとえば元もとのImageNetデータベースには犬いぬの犬いぬ種しゅが120カテゴリに分類ぶんるいされているが、ILSVRCではそのうち90カテゴリだけが使つかわれている[28]。
  4. ^ 畳たたみ込こみニューラルネットワークの概念がいねん自体じたいは以前いぜんから提案ていあんされていたが、計算けいさん量りょうの問題もんだいや学習がくしゅうデータの不足ふそくで実用じつよう化かされていなかった[16]。

出典しゅってん

[編集へんしゅう]
  1. ^ “New computer vision challenge wants to teach robots to see in 3D”. New Scientist. (2017年ねん4月がつ7日にち). https://www.newscientist.com/article/2127131-new-computer-vision-challenge-wants-to-teach-robots-to-see-in-3d/ 2018年ねん2月がつ3日にち閲覧えつらん。 
  2. ^ a b Markoff, John (2012年ねん11月19日にち). “For Web Images, Creating New Technology to Seek and Find”. The New York Times. https://www.nytimes.com/2012/11/20/science/for-web-images-creating-new-technology-to-seek-and-find.html 2018年ねん2月がつ3日にち閲覧えつらん。 
  3. ^ “ImageNet Summary and Statistics”. ImageNet. 2016年ねん6月がつ22日にち閲覧えつらん。
  4. ^ a b c “From not working to neural networking”. The Economist. (2016年ねん6月がつ25日にち). https://www.economist.com/news/special-report/21700756-artificial-intelligence-boom-based-old-idea-modern-twist-not 2018年ねん2月がつ3日にち閲覧えつらん。 
  5. ^ a b 斎藤さいとう 康かん毅あつし『ゼロから作つくるDeep Learning : Pythonで学まなぶディープラーニングの理論りろんと実装じっそう』オライリージャパン、東京とうきょう、2016年ねん9月がつ、249頁ぺーじ。ISBN 978-4-87311-758-4。OCLC 959940370。https://www.ohmsha.co.jp/book/9784873117584/。 
  6. ^ a b Russakovsky et al. 2015, p. 4.
  7. ^ a b c Russakovsky et al. 2015, p. 5.
  8. ^ “Papers with Code - ImageNet Benchmark (Image Classification)” (英語えいご). paperswithcode.com. 2022年ねん10月がつ16日にち閲覧えつらん。
  9. ^ Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E. (June 2017). “ImageNet classification with deep convolutional neural networks”. Communications of the ACM 60 (6): 84–90. doi:10.1145/3065386. ISSN 0001-0782. https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf 2017年ねん5月がつ24日にち閲覧えつらん。. 
  10. ^ 裕雄ひろお, 片岡かたおか「コンピュータビジョンによる動画どうが認識にんしき」『Vision』第だい31巻かん第だい1号ごう、2019年ねん、1頁ぺーじ、doi:10.24636/vision.31.1_1。 
  11. ^ a b c d Russakovsky et al. 2015, p. 19.
  12. ^ “Machines 'beat humans' for a growing number of tasks”. Financial Times. (2017年ねん11月30日にち). https://www.ft.com/content/4cc048f6-d5f4-11e7-a303-9060cb1e5f44 2018年ねん2月がつ3日にち閲覧えつらん。 
  13. ^ Gershgorn. “The inside story of how AI got good enough to dominate Silicon Valley”. Quartz. 2018年ねん12月がつ10日とおか閲覧えつらん。
  14. ^ a b He, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (2016). “Deep Residual Learning for Image Recognition.”. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR): 770–778. arXiv:1512.03385. doi:10.1109/CVPR.2016.90. ISBN 978-1-4673-8851-1. 
  15. ^ Li Liu (2020). “Deep Learning for Generic Object Detection: A Survey”. International Journal of Computer Vision 128: 265. doi:10.1007/s11263-019-01247-4. 
  16. ^ a b Zhao 2019, p. 3213.
  17. ^ a b Tsipras, Dimitris; Santurkar, Shibani; Engstrom, Logan; Ilyas, Andrew; Madry, A. (2020). “From ImageNet to Image Classification: Contextualizing Progress on Benchmarks”. ICML. https://www.semanticscholar.org/paper/From-ImageNet-to-Image-Classification:-Progress-on-Tsipras-Santurkar/951ddc5c7b50a8e6993b98cf618d956a8ff790a1. 
  18. ^ Yun, Sangdoo; Oh, Seong Joon; Heo, Byeongho; Han, Dongyoon; Choe, Junsuk; Chun, Sanghyuk (2021-06). “Re-labeling ImageNet: from Single to Multi-Labels, from Global to Localized Labels”. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (Nashville, TN, USA: IEEE): 2340. doi:10.1109/CVPR46437.2021.00237. ISBN 978-1-6654-4509-2. https://ieeexplore.ieee.org/document/9577610/. 
  19. ^ Hempel, Jesse (13 November 2018). “Fei-Fei Li's Quest to Make AI Better for Humanity”. Wired. https://www.wired.com/story/fei-fei-li-artificial-intelligence-humanity/ 2019年ねん5月がつ5日にち閲覧えつらん。. 
  20. ^ a b c d Gershgorn (2017年ねん7月がつ26日にち). “The data that transformed AI research—and possibly the world”. Quartz. Atlantic Media Co.. 2017年ねん7月がつ26日にち閲覧えつらん。 “Having read about WordNet's approach, Li met with professor Christiane Fellbaum, a researcher influential in the continued work on WordNet, during a 2006 visit to Princeton.”
  21. ^ Deng, Jia; Dong, Wei; Socher, Richard; Li, Li-Jia; Li, Kai; Fei-Fei, Li (2009), “ImageNet: A Large-Scale Hierarchical Image Database”, 2009 conference on Computer Vision and Pattern Recognition, http://www.image-net.org/papers/imagenet_cvpr09.pdf 
  22. ^ Li, Fei-Fei, How we're teaching computers to understand pictures, https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures?language=en 2018年ねん12月16日にち閲覧えつらん。 
  23. ^ Russakovsky et al. 2015, p. 8.
  24. ^ “ImageNet Overview”. ImageNet. 2016年ねん6月がつ22日にち閲覧えつらん。
  25. ^ a b 日経にっけいRobotics（日経にっけいロボティクス）. “《日経にっけいRobo》ImageNet後継こうけいコンテスト、中国ちゅうごくベンチャーMalong社しゃが世界せかいトップに”. 日経にっけいRobotics（日経にっけいロボティクス）. 2022年ねん1月がつ28日にち閲覧えつらん。
  26. ^ Russakovsky et al. 2015, p. 1.
  27. ^ Russakovsky et al. 2015, p. 3.
  28. ^ Russakovsky et al. 2015, p. 7.
  29. ^ Robbins, Martin (2016年ねん5月がつ6日にち). “Does an AI need to make love to Rembrandt's girlfriend to make art?”. The Guardian. https://www.theguardian.com/science/2016/may/06/does-an-ai-need-to-make-love-to-rembrandts-girlfriend-to-make-art 2016年ねん6月がつ22日にち閲覧えつらん。 
  30. ^ Markoff, John (2015年ねん12月10日にち). “A Learning Advance in Artificial Intelligence Rivals Human Abilities”. The New York Times. https://www.nytimes.com/2015/12/11/science/an-advance-in-artificial-intelligence-rivals-human-vision-abilities.html 2016年ねん6月がつ22日にち閲覧えつらん。 
  31. ^ Aron, Jacob (2015年ねん9月がつ21日にち). “Forget the Turing test – there are better ways of judging AI”. New Scientist. https://www.newscientist.com/article/dn28206-forget-the-turing-test-there-are-better-ways-of-judging-ai/ 2016年ねん6月がつ22日にち閲覧えつらん。 
  32. ^ Russakovsky et al. 2015, p. 18.
  33. ^ Markoff, John (2015年ねん6月がつ3日にち). “Computer Scientists Are Astir After Baidu Team Is Barred From A.I. Competition”. The New York Times. https://www.nytimes.com/2015/06/04/technology/computer-scientists-are-astir-after-baidu-team-is-barred-from-ai-competition.html 2016年ねん6月がつ22日にち閲覧えつらん。 
  34. ^ “Chinese search giant Baidu disqualified from AI test”. BBC News. (2015年ねん6月がつ14日にち). https://www.bbc.com/news/technology-33005728 2016年ねん6月がつ22日にち閲覧えつらん。 
  35. ^ “Baidu fires researcher involved in AI contest flap”. PC World. (2015年ねん6月がつ11日にち). http://www.pcworld.com/article/2935232/baidu-fires-researcher-involved-in-ai-contest-flap.html 2016年ねん6月がつ22日にち閲覧えつらん。 
  36. ^ Gershgorn, Dave (2017年ねん9月がつ10日とおか). “The Quartz guide to artificial intelligence: What is it, why is it important, and should we be afraid?”. Quartz. https://qz.com/1046350/the-quartz-guide-to-artificial-intelligence-what-is-it-why-is-it-important-and-should-we-be-afraid/ 2018年ねん2月がつ3日にち閲覧えつらん。 
  37. ^ 中山なかやま英樹ひでき「画像がぞう解析かいせき関連かんれんコンペティションの潮流ちょうりゅう」『電子でんし情報じょうほう通信つうしん学会がっかい誌し』第だい100巻かん第だい5号ごう、電子でんし情報じょうほう通信つうしん学会がっかい、2017年ねん5月がつ、(377) 373-380、ISSN 09135693、CRID 1520572360426767104。 
  38. ^ “The Viral App That Labels You Isn't Quite What You Think”. Wired. ISSN 1059-1028. https://www.wired.com/story/viral-app-labels-you-isnt-what-you-think/ 2019年ねん9月がつ22日にち閲覧えつらん。 
  39. ^ Wong, Julia Carrie (2019年ねん9月がつ18日にち). “The viral selfie app ImageNet Roulette seemed fun – until it called me a racist slur”. The Guardian. ISSN 0261-3077. https://www.theguardian.com/technology/2019/sep/17/imagenet-roulette-asian-racist-slur-selfie 2019年ねん9月がつ22日にち閲覧えつらん。 
  40. ^ Crawford (2019年ねん9月がつ19日にち). “Excavating AI: The Politics of Training Sets for Machine Learning”. -. 2019年ねん9月がつ22日にち閲覧えつらん。
  41. ^ Lyons, Michael (4 September 2020). "Excavating "Excavating AI": The Elephant in the Gallery". arXiv:2009.01215 [cs.CY]。
  42. ^ a b Beyer, Lucas; Hénaff, Olivier J.; Kolesnikov, Alexander; Zhai, Xiaohua; Oord, Aäron van den (2020-06-12). “Are we done with ImageNet?”. arXiv:2006.07159 [cs]. http://arxiv.org/abs/2006.07159. 
  43. ^ “Towards Fairer Datasets: Filtering and Balancing the Distribution of the People Subtree in the ImageNet Hierarchy”. image-net.org (2019年ねん9月がつ17日にち). 2019年ねん9月がつ22日にち閲覧えつらん。
  44. ^ Yang, Kaiyu; Yau, Jacqueline; Fei-Fei, Li; Deng, Jia; Russakovsky, Olga (2021-03-14). “A Study of Face Obfuscation in ImageNet”. arXiv:2103.06191 [cs]. http://arxiv.org/abs/2103.06191. 
  45. ^ “Towards Fairer Datasets: Filtering and Balancing the Distribution of the People Subtree in the ImageNet Hierarchy”. image-net.org. 2022年ねん1月がつ28日にち閲覧えつらん。
  46. ^ “巨大きょだい写真しゃしんデータセット「ImageNet」で攻撃こうげき的てき・差別さべつ的てきなカテゴリー分類ぶんるいタグ付づけが判明はんめいし人物じんぶつ写真しゃしんの半数はんすう以上いじょうを削除さくじょ”. GIGAZINE. 2022年ねん1月がつ29日にち閲覧えつらん。

参考さんこう文献ぶんけん

[編集へんしゅう]

関連かんれん項目こうもく

[編集へんしゅう]


外部がいぶリンク

[編集へんしゅう]
標準ひょうじゅんテストアイテム
人工じんこう知能ちのう
テレビ（テストパターン）
プログラミング言語げんご
データ圧縮あっしゅく
3Dコンピュータグラフィックス
機械きかい学習がくしゅう
タイポグラフィ
その他た
「https://ja.wikipedia.org/w/index.php?title=ImageNet&oldid=98393741」から取得しゅとく