ImageNet

WordNetの階層に沿って整理された画像データセット

データセットとは、機械学習のモデルを学習させたり評価したりするために集めて整えたデータの集まりのことです。ImageNetは画像のデータセットで、WordNetの階層に沿って整理されています。WordNetは、英語の語を意味のまとまりごとに整理し、そのまとまりどうしの上下の関係などをつなげた語彙データベースです(ILSVRCの論文は Miller, 1995 を引いています)。

ILSVRCの論文によると、WordNetの各概念(複数の語や句で表されることがあります)は、同義語集合(synset)と呼ばれます。ImageNetは、WordNetの21,841のsynsetに、平均650枚の、手作業で確認した原寸の画像を入れています。その結果、ImageNetはWordNetの意味の階層で整理された、注釈付きの14,197,122枚の画像を含んでいます(2014年8月時点)。

ILSVRCとの関係

ILSVRCの論文は、ImageNetデータセット(Deng et al., 2009)をILSVRCのバックボーンであると述べています。ILSVRCは、画像に写る物体のカテゴリを当てる分類と、物体の位置を見つける検出についてのベンチマークです。ベンチマークとは、同じデータと同じ基準で手法の性能を比べるための評価の場のことです。ILSVRCは数百の物体カテゴリと数百万枚の画像を使い、2010年から毎年実施されてきました。論文は、ILSVRCが1000の物体クラスを使うとも述べています。つまり、ILSVRCが使うのは、ImageNet全体のうちの一部です。

この解説が依拠した資料

ImageNetの原論文(Deng et al., 2009)は読んでいません。ここに書いた内容は、ILSVRCの論文(Russakovsky et al., arXiv:1409.0575, 2014)がImageNetについて述べている記述によります。上の枚数やsynsetの数は、その論文が述べる2014年8月時点の値で、現在の値とは限りません。ImageNetが作られた経緯や、画像を集めて確認した方法は、この資料の範囲では扱っていません。