Flickr 公布百万图像供研究者使用

近日，雅虎洛杉矶研究院的人机交互研究员 David Ayman Shamma 在雅虎研究院网站新闻上发布了Flickr 图片数据集，内有百万张基于Creative Common 许可的图片，以供研究者使用。David 是雅虎人机交互研究组的高级经理和组长，同时也是雅虎研究院在Flickr 的科研联络人。

在官网上对于数据集进行描述和结识的文章中，David 表示，信息时代的摄影在不停的发生变化，从古老的C-41 逐步演变成为完全不同的形式。粗略估计当前全世界的照片中，有10% 的来自过去一年，这还是三年之前给出的估计。图片服务网站Flickr 以Creative Common 许可为基础，成了人们分享照片的便捷途径。

当前学术界大部分的图像研究，还只能使用小规模数据集进行算法的测试。因此雅虎研究院联手Flickr 给全世界的研究人员提供一个更为宏伟的平台。因此Flickr 迅速得到了学术界的青睐，每张图片的原始数据，元数据，分享方式、分享网络，都可以为现有的研究问题如计算机视觉、社会网络研究等带来解答，同时也将孕育新的研究萌芽，比如现在机器学习领域的深度学习。

Flickr 此次公布的数据集中，包括近 1 亿张图片和 70 万部视频，它们全部来自 Flickr，并且受 Creative Common 许可保护。数据集大概有 12GB，包括图片 id、jpeg 格式图片的下载地址，视频的下载地址以及标题、描述、相机类型、标签等元数据。指的一提的是，其中大概 5 千万图片有地理信息标记，而且关于图片的评论，点赞以及分享数据都可以通过 Flickr 的 API 进一步得到。

更令人非常佩服的是，与以往的数据分享机构简单的发布原始数据这种方式不同，雅虎研究院非常认真的要进一步拥抱学术界，David 表示，由于 1 亿张图片的处理需要大量的计算能力和时间，并不是随便一个研究机构都能办到，雅虎研究院联合位于伯克利的国际计算科学研究所（ICSI）以及劳伦斯利弗莫尔国家实验室，会基于这些图片和视频提取业界常用的视觉和音频特征，然后放到亚马逊云服务（整个处理过的数据在 50TB 左右），供全世界的研究人员使用。

此外，David 还对研究方向给出了一些建议，如不借助图片的经纬度信息来给出拍摄地点的 MediaEval Placing 任务，物体定位、概念识别和抽取等任务。

目前数据集的下载需要向雅虎研究院提交申请，审核后可以下载。

感谢郭蕾对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ）或者腾讯微博（ @InfoQ ）关注我们，并与我们的编辑和其他读者朋友交流。