近日，麻省理工學院和IBM 研究人員組成的團隊，共同創建了一個ObjectNet圖像識別數據集，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，應用于人工智能領域中的圖像分類最常用來訓練和測試的數據集。最近，對該計算器視覺模型測試，結果發現：在 ImageNet 測試準確率高達 97% 的計算器視覺模型，在 ObjectNet 數據集上檢測的準確率下降到了 50%-55%。為何測試結果會如此差距？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、背景變換、視角切換等復雜情境下，識別過程都缺乏穩定性。換句話說，并不是因為數據量不夠，而是模型對類似于旋轉、背景變換、視角切換等等的認知缺乏穩定性。

麻省理工學院計算器科學與人工智能實驗室 （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人工智能借助神經元層組成的神經網絡在大量的原始數據中尋找規律，例如：透過機器學習上千張椅子的照片之后，而學會了椅子的形狀。于是，ImageNet 從Flickr等其他社交媒體網站上下載了接近 10 億張圖片，含有近 1500 萬張照片的數據庫，涵蓋了22000種物品。

計算器視覺模型已經學會了精確地識別照片中的物體，以至于有些模型在某些數據集上表現得比人類還要好。但是，當這些模型真正進入到生活中時，它們的準確率會顯著下降，這帶給自動駕駛汽車和其他使用計算器視覺的關鍵系統帶來了安全隱憂。

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，因而產生數據集的大量變化。研究人員讓自由職業者為數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，大多數檢測器對 ObjectNet中包含的大多數圖像都識別失敗了

麻省理工學院研究科學家認為，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，物體也可以旋轉和移動到新的環境中，目前這些概念并沒有構建到檢測器的架構中。

ObjectNet與Imagenet的區別為何？

Andrei Barbu認為：

1、收集圖像的方式可以控制偏差。我們告訴人們如何旋轉物體，在什么背景中放置物體，以及在哪個角度拍照。在大多數的數據集中，圖像背景的信息會導致機器不自覺的「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濟階層的圖像。我們還有損壞或破碎物體的圖像。

3、沒有訓練集。

一般會有訓練集及測試集，但ObjectNet沒有訓練集。

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，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定。ObjectNet的目標是激勵研究人員開發出下一波革命性的技術。

責任編輯：ct