近日，麻省理工學(xué)院和IBM 研究人員組成的團隊，共同創(chuàng)建了一個ObjectNet圖像識別數(shù)據(jù)集，這是一類高性能的視覺模型，同時難倒了目前世界上最好的計算器視覺模型。

目前，全球最大的「CV 習(xí)題庫」ImageNet，由世界上頂尖的計算器視覺專家李飛飛參與建立，應(yīng)用于人工智能領(lǐng)域中的圖像分類最常用來訓(xùn)練和測試的數(shù)據(jù)集。最近，對該計算器視覺模型測試，結(jié)果發(fā)現(xiàn)：在 ImageNet 測試準(zhǔn)確率高達 97% 的計算器視覺模型，在 ObjectNet 數(shù)據(jù)集上檢測的準(zhǔn)確率下降到了 50%-55%。為何測試結(jié)果會如此差距？主要原因在于，目前幾乎所有的視覺模型，在類似于物體旋轉(zhuǎn)、背景變換、視角切換等復(fù)雜情境下，識別過程都缺乏穩(wěn)定性。換句話說，并不是因為數(shù)據(jù)量不夠，而是模型對類似于旋轉(zhuǎn)、背景變換、視角切換等等的認(rèn)知缺乏穩(wěn)定性。

麻省理工學(xué)院計算器科學(xué)與人工智能實驗室 （CSAIL） 和大腦、心智與機器中心 （CBMM） 的研究科學(xué)家 Andrei Barbu，是ObjectNet該項目的主持人之一。他在接受 DeepTech 專訪時表示以下見解，摘要如下：

AI人工智能借助神經(jīng)元層組成的神經(jīng)網(wǎng)絡(luò)在大量的原始數(shù)據(jù)中尋找規(guī)律，例如：透過機器學(xué)習(xí)上千張椅子的照片之后，而學(xué)會了椅子的形狀。于是，ImageNet 從Flickr等其他社交媒體網(wǎng)站上下載了接近 10 億張圖片，含有近 1500 萬張照片的數(shù)據(jù)庫，涵蓋了22000種物品。

計算器視覺模型已經(jīng)學(xué)會了精確地識別照片中的物體，以至于有些模型在某些數(shù)據(jù)集上表現(xiàn)得比人類還要好。但是，當(dāng)這些模型真正進入到生活中時，它們的準(zhǔn)確率會顯著下降，這帶給自動駕駛汽車和其他使用計算器視覺的關(guān)鍵系統(tǒng)帶來了安全隱憂。

ObjectNet與ImageNet隨意收集的照片不同。因為，ObjectNet從多個視點在不同的背景上進行映像，提供的照片是有特殊背景和角度的，因而產(chǎn)生數(shù)據(jù)集的大量變化。研究人員讓自由職業(yè)者為數(shù)百個隨機擺放的家具物品拍照，告訴他們從什么角度拍攝以及是擺在廚房、浴室還是客廳。因此，大多數(shù)檢測器對 ObjectNet中包含的大多數(shù)圖像都識別失敗了

麻省理工學(xué)院研究科學(xué)家認(rèn)為，物體識別問題仍然是個難題，我們需要更好、更聰明的算法。機器仍然很難理解物體是三維空間存在，物體也可以旋轉(zhuǎn)和移動到新的環(huán)境中，目前這些概念并沒有構(gòu)建到檢測器的架構(gòu)中。

ObjectNet與Imagenet的區(qū)別為何？

Andrei Barbu認(rèn)為：

1、收集圖像的方式可以控制偏差。我們告訴人們?nèi)绾涡D(zhuǎn)物體，在什么背景中放置物體，以及在哪個角度拍照。在大多數(shù)的數(shù)據(jù)集中，圖像背景的信息會導(dǎo)致機器不自覺的「欺騙」，它們會憑借對于廚房背景的了解來預(yù)測某個東西可能是平底鍋。

2、這些照片不是從社交媒體上收集的，所以它們不是那種好看的照片，人們也不想分享。我們還確保收集來自印度、美國以及不同社會經(jīng)濟階層的圖像。我們還有損壞或破碎物體的圖像。

3、沒有訓(xùn)練集。

一般會有訓(xùn)練集及測試集，但ObjectNet沒有訓(xùn)練集。

從新的角度想象物體的三維形狀，這也是計算器視覺的未來。ObjectNet的設(shè)計就是提供了一個更可靠的工具，用來檢測你的模型是不是足夠強。下一個版本的 ObjectNet開發(fā)，它對于檢測器來說會更加困難，因帶有部分遮擋的物體對象被其他對象部分覆蓋，因而造成探測器對有遮擋的物體的識別還不夠穩(wěn)定。ObjectNet的目標(biāo)是激勵研究人員開發(fā)出下一波革命性的技術(shù)。