按年被提到
20142014 · 1 次2026
视觉、语音与图像生成›卷积网络与图像识别·arXiv:1409.0575 · cs.CV

ImageNet Large Scale Visual Recognition Challenge

ImageNet 大规模视觉识别挑战
Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg, Li Fei-Fei · 2014

回顾 ImageNet 基准的创建、突破与人机对比

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 3 人首次 2014-10-19 · 最近 2016-06-30发表于 International Journal of Computer Vision
3不同的人
3活跃月份
3讨论串
39,001被引(OpenAlex)

ImageNet 大规模视觉识别挑战是针对数百类物体、数百万张图像的分类与检测基准,2010 年起每年举办,吸引了五十多家机构参加。论文介绍该数据集的创建过程、由此带来的物体识别进展,讨论大规模真值标注的挑战,重点梳理类别识别中的关键突破,详细分析大规模图像分类与检测的现状,并将最先进的计算机视觉精度与人类精度比较,最后总结五年经验并提出未来方向。

HN 为什么提它

HN 上的人把它当作 ImageNet 2014 年水平的总结出处,例如用来对照 GoogLeNet 与人类在样本上的错误率。

综述难度 2 / 5约 60 分钟有时效性
读之前最好知道
1图像分类与目标检测任务
2卷积神经网络(CNN)
3众包标注与数据集构建
4top-5 错误率等评测指标

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐phaemon · 2015-05

“Have a look at the summary paper from ImageNet: ImageNet Large Scale Visual Recognition Challenge”

推荐 ImageNet 总结论文,其中 GoogLeNet 误差 6.8%,人类 5.1%
The View from the Front Seat of the Google Self-Driving Car原评论 ↗
引用daveguy · 2016-06

“This was state of the art in 2014 (improved in 2015, but this paper is on arxiv and gives the idea):”

引用它说明 2014 年的分类误差水平,虽后来有改进但这篇有 arXiv 版
A Tragic Loss原评论 ↗
被提交为 story · 1 次