Scale Visual Recognition Challenge，ILSVRC）就是一项机器视觉识别能力的比赛，它是全世界所有先进计算机视觉技术的竞技场。2015 年，来自微软研究院的残差网络（ResNet）达到了 3.57% 的分类错误率，这个成绩首次超过了人类平均水平（5.1%）。2016 年和 2017 年，计算机视觉在图像分类上的错误率分别降至 2.9% 和 2.3%，进一步超过人类平均水平。到了 2017 年，几乎所有进入决赛的模型的识别水平都超过了人类平均水平。
对于人工智能的从业者来说，这是一个令人振奋的消息，不过为了避免像部分新闻媒体那样，仅凭这么一句话就宣告机器在图像识别领域打败人类，落入以偏概全、断章取义的陷阱，我们有必要弄清楚“图像分类”是一个怎样的比赛、过程是怎样的、有哪些细节等问题之后再下结论。
自首届举办以来，每年的 ILSVRC 挑战赛项目都会包括以下三大主题（即使偶尔在各项上有一些细微的调整，三大主题也基本是不变的）：
● 图像分类（Image Classification）：算法判别出图像中存在的最主要物体对象，由于一张图片可能存在多个物体，允许算法输出最多五个物体对象的名称，只要其中包括正确答案就视为正确。
● 单物体定位（Single-object Localization）：在图像分类的基础上，进一步产生轴对齐的边框，框出指定物体的位置和比例。
● 物体检测（Object Detection）：在单物体定位的基础上，进一步支持对图片中的多个物体进行分类和边框定位。
图 9-1 所示的是这三个比赛项目的一个测试用例，这是一名铁匠在打造铁桶的画面，图像分类要求必须根据图片输出“ Steel drum”（铁桶）这个词，最多输出五个物体的名称，只要包含“ Steel drum”就视为正确的答案。而单物体定位要求必须在图像的铁桶中加上边框指出它的位置和比例，物体检测要求必须将图片上的所有主要物体都识别出来。
ILSVRC 挑战赛要求参赛的算法必须依靠 ImageNet 本身的数据库训练模型来完成识别。截至 2017 年，ImageNet 的数据库中已含有超过 1500 万张由人类手工标注和分类好的图片，这些图片由超过 2.2 万个不同类型的生物和物体构成。例如在图片数据库中搜索“英国猎狐犬”（English Foxhound），搜索结果如图 9-2 所示。正是得益于这样庞大的带标注信息的图片数据库，计算机才能够从中“学会”分辨出各种各样不同的物体对象。
第 9 章 与机器共生
357