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。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。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]
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。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。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] 。
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] 。
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] 。
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。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。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。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。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] 。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。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。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。
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] 。
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] 。
^ 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。
^ 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] 。
^ 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。
^ 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。
^ “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 。
^ 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 。
^ “ImageNet Summary and Statistics ”. ImageNet. 2016年 ねん 6月 がつ 22日 にち 閲覧 えつらん 。
^ 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 。
^ 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/ 。
^ “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 。
^ 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 。 .
^ 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 。
^ “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 。
^ 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 。
^ 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 .
^ 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 .
^ 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 .
^ 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/ .
^ 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 。 .
^ 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.”
^ 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
^ 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 。
^ “ImageNet Overview ”. ImageNet. 2016年 ねん 6月 がつ 22日 にち 閲覧 えつらん 。
^ 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 。
^ 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 。
^ 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 。
^ 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 。
^ 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 。
^ “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 。
^ “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 。
^ 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 。
^ 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 。
^ “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 。
^ 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 。
^ 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 。
^ Lyons, Michael (4 September 2020). "Excavating "Excavating AI": The Elephant in the Gallery". arXiv :2009.01215 [cs.CY ]。
^ 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 .
^ “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 。
^ 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 .
^ “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 。
^ “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 。