【磐创AI导读】计算机视觉领域的又一大比赛盛宴，Google AI在kaggle竞赛平台上推出Open Images Challenges大规模目标检测竞赛。目标检测+视觉关系识别。奖金丰厚，同时还会将比赛结果分享在几月后的ECCV2018会议上。比赛直达链接见文末。
就在几天前，Google AI在Kaggle上推出了一项名为Open Images Challenge的大规模目标检测竞赛。当今计算机视觉社区已经很长一段时间没有进行如此新的大规模竞赛，这对视觉研究者来说绝对是一个令人振奋的消息。
连续多年ImageNet一直是计算机视觉领域的“黄金标准型”竞赛，并且吸引了大量团队每年都参与竞争，以获得在ImageNet数据集上最低的错误率。同时，深度学习技术的突破更是使得图像识别任务取得了令人瞩目的巨大进步，甚至超过了人类的准确度。
ImageNet是一个大规模的视觉识别竞赛，有着1000个不同的类别和120万张训练图像。如此大规模的数据使ImageNet变得非常具有挑战性。通过这个比赛，除了学习到如何很好地分类图像之外，还得到了很重要的一点就是我们得到了可以用于其他视觉任务的特征提取器。在ImageNet上预训练的特征提取网络被运用到了许多其他计算机视觉任务，包括目标检测、分割和跟踪等等。此外，这些特征提取网络的设计同样也可以适用在那些其他的视觉任务上。例如，shortcut connections（跳连）最初就是来自2015年获奖的ImageNet挑战团队所设计的网络，并且现在已经被用于解决计算机视觉任务的大量卷积神经网络结构中。这是一件很有意义的事，大家在一个挑战赛中设计的网络可以被应用到更复杂的任务上。
ImageNet上的错误率历史记录（显示每年团队最佳结果，每年最多10个条目）
Google AI在Kaggle上推出的新一轮目标检测竞赛是正朝着这个积极方向迈进。到目前为止，COCO检测挑战一直是目标检测的重要挑战之一。但是，与ImageNet相比，它规模较小。COCO只有80个类别和330K图像。它并不能达到人们在现实世界中那么复杂的场景想要实现的目标。从业者往往也会发现在自然环境下目标检测会变得极具挑战性。相比而言，ImageNet至少有着足够大的数据集和足够多的类，它对于预训练和使用网络进行迁移学习都非常有用。也许在足够大的数据集上，训练得到的目标检测器在迁移学习时会同样有着足够好表现。
Google AI已公开发布了Open Images数据集v4版本。kaggle上由Google AI发起的比赛的数据集就是基于这个数据集，但又不是完全相同的。另外，Open Images同样遵循着PASCAL VOC，ImageNet和COCO的传统，而且规模空前。
Open Images Challenge基于Open Images数据集。竞赛训练集包括：
1.7Million训练图像，500个类别，12Million边界框标注
具有多个目标的复杂场景图像 - 每个图像平均7个标注框
高度多样化的图像，包含像“男士软呢帽（fedora）”和“雪人（snowman）”这样的全新目标
包含描述Open Images类别之间关系的类别层次结构（class hierarchy）信息
除了目标检测赛道（Google AI Open Images - Object Detection Track）之外，比赛还包括视觉关系检测赛道（Google AI Open Images - Visual Relationship Track），用于检测特定关系中的物体对。例如“女人弹吉他”，“桌上的啤酒”，“车内的狗”，“男人拿着咖啡”等等。大家可以在此处（ https://storage.googleapis.com/openimages/web/factsfigures.html）找到有关数据集的更多信息。这是一个很棒的数据集，在上边的链接中你会发现它的丰富性。在这里（ https://storage.googleapis.com/openimages/2018_04/bbox_labels_600_hierarchy_visualizer/circle.html）大家可以看到数据集全部600个类别的层次结构关系。大家可以观察到这是一个不均匀且非常广泛的类别分布。这意味着大家不能天真地统一对待所有类别做处理，大家需要考虑到类别的分布。这一点也更加贴近人们现实世界中的场景。这个数据集的以上特性无疑使我们更接近于创建对于自然场景更鲁棒的模型。
这个挑战赛的奖品也非常诱人，不但有着目标检测赛道30,000美元与视觉关系识别20000美元的奖金池，此外挑战赛的结果还会在2018年欧洲计算机视觉会议（ECCV2018）的研讨会上公布。ECCV2018将在德国慕尼黑举行。
这个比赛是在Kaggle上举办的，很赞。挑战的核心（kernel）往往最终成为从竞争对手看到不同方法的知识来源。如此大规模且复杂的挑战很有希望带来可以应用于计算机视觉领域的最佳研究与一些新想法，就像ImageNet一样。
最后，希望大家在这场激烈的比赛中学到了一些新的和有用的东西，并对计算机视觉和AI的未来感到兴奋。
比赛直达链接：
[1] 目标检测（Google AI Open Images - Object Detection Track）：https://www.kaggle.com/c/google-ai-open-images-object-detection-track
[2] 视觉关系识别（Google AI Open Images - Visual Relationship Track）：https://www.kaggle.com/c/google-ai-open-images-visual-relationship-track
原文发布时间为：2018-07-11
本文作者：磐石001
本文来自云栖社区合作伙伴“磐创AI”，了解相关信息可以关注“磐创AI”。
