過去的十年里，ImageNet基本就是計算機(jī)視覺領(lǐng)域的「晴雨表」，看準(zhǔn)確率有沒有提升，就知道有沒有新技術(shù)問世。

「刷榜」一直是模型創(chuàng)新的原動力，把模型Top-1準(zhǔn)確率推動到90%+，比人類還高。

但I(xiàn)mageNet數(shù)據(jù)集是否真的像我們想象中的那么有用？

很多論文都曾對ImageNet發(fā)出質(zhì)疑，比如數(shù)據(jù)的覆蓋度、偏見問題、標(biāo)簽是否完善等等。

其中最重要的是，模型90%的準(zhǔn)確率是否真的準(zhǔn)確？

最近Google Brain團(tuán)隊和加州大學(xué)伯克利分校的研究人員重新審視了幾個sota模型的預(yù)測結(jié)果，發(fā)現(xiàn)模型真正的準(zhǔn)確率還可能被低估了！

論文鏈接：https://arxiv.org/pdf/2205.04596.pdf

研究人員通過對一些頂級模型所犯的每一個錯誤進(jìn)行人工審查和分類，以便深入了解基準(zhǔn)數(shù)據(jù)集的長尾錯誤。

其中主要關(guān)注ImageNet的多標(biāo)簽子集評估，最好的模型已經(jīng)能達(dá)到97%的Top-1的準(zhǔn)確率。

這項研究的分析結(jié)果顯示，將近一半的所謂的預(yù)測錯誤根本就不是錯誤，并且還在圖片中發(fā)現(xiàn)了新的多標(biāo)簽，也就是說，如果沒有人工審查過預(yù)測結(jié)果，這些模型的性能可能都是被「低估」的！

不熟練的眾包數(shù)據(jù)標(biāo)注員往往會把數(shù)據(jù)標(biāo)注錯誤，在很大程度上也影響了模型準(zhǔn)確率的真實性。

為了校準(zhǔn)ImageNet數(shù)據(jù)集，促進(jìn)未來的良性進(jìn)展，研究人員在文中提供了一個更新版的多標(biāo)簽評估集，并把sota模型預(yù)測存在明顯錯誤的68個例子組合為一個新數(shù)據(jù)集ImageNet-Major，以方便未來CV研究者攻克這些bad case

還上「技術(shù)債」

從文章的標(biāo)題「什么時候面團(tuán)成了百吉餅？」就可以看出作者主要關(guān)注ImageNet里的標(biāo)簽問題，這也屬于是歷史遺留問題了。

下圖是一個非常典型的標(biāo)簽歧義例子，圖片里的標(biāo)簽為「面團(tuán)」，模型的預(yù)測結(jié)果為「百吉餅」，錯了嗎？

這個模型理論上來說并沒有預(yù)測錯誤，因為面團(tuán)正在烤，馬上就要成百吉餅了，所以既是面團(tuán)又是百吉餅。

可以見得模型實際上已經(jīng)能夠預(yù)測到這個面團(tuán)「即將成為」百吉餅，但在準(zhǔn)確率上卻沒有拿到這一分。

實際上，以標(biāo)準(zhǔn)ImageNet數(shù)據(jù)集的分類任務(wù)作為評價標(biāo)準(zhǔn)，缺乏多標(biāo)簽、標(biāo)簽噪聲、未指定的類別等問題都在所難免。

 從負(fù)責(zé)識別此類對象的眾包標(biāo)注員的角度來看，這是一個語義甚至是哲學(xué)上的難題，只能通過多標(biāo)簽來解決，所以在ImageNet的衍生數(shù)據(jù)集中主要改善的就是標(biāo)簽問題。

距ImageNet成立已經(jīng)過了16年，當(dāng)時的標(biāo)注人員、模型開發(fā)者對數(shù)據(jù)的理解肯定不如今天豐富，而ImageNet又是早期的大容量、標(biāo)注相對良好的數(shù)據(jù)集，所以ImageNet很自然而然地成了CV刷榜的標(biāo)準(zhǔn)。

但標(biāo)注數(shù)據(jù)的預(yù)算顯然不如開發(fā)模型來的多，所以標(biāo)簽問題的改善也成了一種技術(shù)債。

為了找出ImageNet中剩下的錯誤，研究人員使用了一個具有 30 億參數(shù)的標(biāo)準(zhǔn)ViT-3B模型（能夠達(dá)到 89.5% 的準(zhǔn)確度），其中JFT-3B作為預(yù)訓(xùn)練模型，并在ImageNet-1K上進(jìn)行了微調(diào)。

使用ImageNet2012_multilabel的數(shù)據(jù)集作為測試集的情況下，ViT-3B初步達(dá)到的準(zhǔn)確率為96.3%，其中模型明顯錯誤預(yù)測了676個圖像，然后對這些例子進(jìn)行深入研究。

在重新標(biāo)注數(shù)據(jù)時，作者沒有選擇眾包，而是組建了一個5名專家評審組成的小組進(jìn)行標(biāo)注，因為這類標(biāo)注錯誤對于非專業(yè)人員來說很難識別出來。

比如圖(a)，普通的標(biāo)注人員可能寫一個「桌子」就過了，但實際上圖片里還有很多其他物體，比如屏幕、顯示器、馬克杯等等。

 圖(b)的主體為兩個人，但標(biāo)簽為picket fence（柵欄），顯然也是不完善的，可能的標(biāo)簽還有領(lǐng)結(jié)、制服等等。

圖(c)也是一個明顯的例子，如果只標(biāo)出來「非洲象」，那象牙可能就被忽視掉了。

圖(d)的標(biāo)簽為lakeshore（湖岸），但標(biāo)注成seashore（海濱）實際上也沒毛病。

為了增加標(biāo)注效率，研究者還開發(fā)了一個專用的工具，能夠同時顯示模型預(yù)測的類別、預(yù)測分?jǐn)?shù)、標(biāo)簽和圖像。

 在某些情況下，專家組之間可能還存在標(biāo)簽的爭議，這時候就把圖片放到谷歌搜索里來輔助標(biāo)注。

比如說有一個例子里，模型的預(yù)測結(jié)果里包含出租車，但圖片里面除了「一點黃色」之外根本沒有出租車的牌子。

這張圖片的標(biāo)注主要是通過谷歌圖片搜索發(fā)現(xiàn)圖像的背景是一個標(biāo)志性的橋梁，然后研究人員定位到了圖片所在的城市，對該城市中的出租車圖像進(jìn)行檢索后，認(rèn)可了這張圖片里確實包含出租車而非一輛普通的汽車。并且從車牌的設(shè)計上進(jìn)行對比，也驗證了模型的預(yù)測是正確的。

在對研究的幾個階段發(fā)現(xiàn)的錯誤進(jìn)行初步審查后，作者首先根據(jù)錯誤的嚴(yán)重程度將其分為兩類：

1. 主要錯誤（Major）：人類能夠理解標(biāo)簽的含義，并且模型的預(yù)測和標(biāo)簽完全不沾邊；

2. 次要錯誤（Minor）：標(biāo)簽的可能是錯誤的或者不完善導(dǎo)致的預(yù)測錯誤。需要專家審查數(shù)據(jù)后進(jìn)行糾正。

 對于ViT-3B模型犯的155個主要錯誤，研究人員又找了其他三個模型共同預(yù)測來提高預(yù)測結(jié)果的多樣性。

四個模型全都預(yù)測失敗的主要錯誤有68個，然后分析了所有模型對這些例子的預(yù)測，并驗證了它們沒有一個是正確的新的多標(biāo)簽，即每個模型的預(yù)測結(jié)果確實都是主要錯誤。

這68個例子有幾個共同特點，首先就是不同方式訓(xùn)練的sota模型都在這個子集上犯了錯誤、并且專家評審也認(rèn)為預(yù)測結(jié)果完全和正確不沾邊。

68張圖像的數(shù)據(jù)集也足夠小，方便后續(xù)研究者進(jìn)行人工評估，如果未來攻克了這68個例子，那CV模型也許會取得新突破。

通過分析數(shù)據(jù)，研究者又將預(yù)測錯誤劃分為四種類型：

1. 細(xì)粒度錯誤，其中預(yù)測的類別跟真實標(biāo)簽相似，但不完全相同；

2. 具有詞表外（OOV）的細(xì)粒度，其中模型識別其類別正確但在 ImageNet 中不存在該對象的類別；

3. 虛假相關(guān)性，其中預(yù)測的標(biāo)簽是從圖像的上下文中讀取的；

4. 非原型，其中標(biāo)簽中的對象與預(yù)測標(biāo)簽相似、但并非完全一致。

 在審查了原始 676 個錯誤后，研究人員發(fā)現(xiàn)其中298 個應(yīng)該是正確的，或者可以確定原始標(biāo)簽是錯誤或有問題的。

 總的來說，通過文章的研究結(jié)果可以得出四個結(jié)論：

1. 當(dāng)一個大型、高精度模型做出其他模型沒有的新預(yù)測時，大概其中50%都是正確的新多標(biāo)簽；

2. 更高精度的模型在類別和錯誤嚴(yán)重性之間沒有表現(xiàn)出明顯的相關(guān)性；

3. 如今SOTA模型在人工評估的多標(biāo)簽子集上的表現(xiàn)在很大程度上匹配或超過了最佳專家人類的表現(xiàn)；

4. 有噪音的訓(xùn)練數(shù)據(jù)和未指定的類別可能是限制有效衡量圖像分類改進(jìn)的一個因素。

或許圖像標(biāo)簽問題還得等待自然語言處理技術(shù)來解決？