Google 使用 3 亿张图片大幅度改进图像识别算法

Google 和 CMU 的研究员使用 3 亿张图片，在图像识别算法的几个指标上取得了长足改进，而往常的训练一般只使用一百万张图片。

很多开发者在训练物体检测算法时会使用包含一百万张图片的 ImageNet 数据集。这个数据集从 2011 年起就没有新图片加入了。然而，在该数据集上训练的神经网络中的参数数量与日俱增，训练模型的 GPU 算力也在增加。卡内基梅隆大学（CMU）中 Google 的研究人员和科学家提出：如果增加训练数据量会如何？

于是，Google 建立了一个内部数据集，含有3 亿张图片，标记为18291 个类别。图片标注的来源包括原始网络信号，网页之间的联系，以及用户的反馈。因为不是由人标注的，所以含有20% 的噪音。

结论是：增大数据量果然有益。虽然图片标记含有噪音，算法的准确率还是提高了3 个百分点。很明显，数据量的增加克服了标记的噪音。研究人员发现算法的表现和数据量呈对数关系上升，如图所示。论文作者认为，现有的模型是基于一百万张图片建立的：如果对模型进行调整，准确率还有上升空间。

研究人员在微软的 COCO 对象检测基准测试上进行了测试，结果喜人：平均正确率 (AP) 从 34.3 上升到 37.4。Google 和 CMU 在 ICCV 会议上发布了算法和评测，并发布了论文《重新审视深度学习时代数据的非理性效果》，可在arxiv 自由获取。

查看英文原文： Researchers Improve State of the Art in Image Recognition Using Data Set With 300 Million Images

感谢冬雨对本文的审校。

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 ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。