ImageNet: differenze tra le versioni

Versione delle 10:50, 24 giu 2021

Versione attuale delle 09:44, 16 mar 2025

(Una versione intermedia di un altro utente non mostrate)

Riga 6:

Il database è stato presentato per la prima volta nel 2009 in Florida, nell'ambito della [[Conference on Computer Vision and Pattern Recognition|CVPR]] (''Conference on Computer Vision and Pattern Recognition''), da un gruppo di ricercatori afferenti al dipartimento di informatica dell'[[Università di Princeton]].<ref name="den2009"/><ref name="Gershgorn">{{cita web |url=https://qz.com/1034972/the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world/|titolo=The data that transformed AI research—and possibly the world|autore=Dave Gershgorn|data=26 luglio 2017|sito=Quartz|editore=Atlantic Media Co. |accesso=26 luglio 2017|lingua=en}}</ref> Tra i ricercatori coinvolti figura [[Fei-Fei Li]], docente di informatica all'[[Università di Stanford]].<ref>{{cita web|cognome=Fei-Fei|nome=Li|titolo=How we're teaching computers to understand pictures|url=https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures?language=en|accesso=16 dicembre 2018|lingua=en}}</ref> Nel progetto ImageNet il processo di annotazione è svolto in [[crowdsourcing]]<ref name="den2009">

{{Cita conferenza|nome =Jia|cognome = Deng|nome2 = Wei|cognome2 = Dong|nome3 = Richard|cognome3 = Socher|nome4 = Li-Jia|cognome4 = Li|nome5 = Kai|cognome5 = Li|nome6=Li|cognome6 = Fei-Fei|titolo = ImageNet: A large-scale hierarchical image database|data = 18 agosto 2009|conferenza = 2009 IEEE Conference on Computer Vision and Pattern Recognition|organizzazione = IEEE|editore = IEEE|città = Miami|pp = 248-255|doi=10.1109/CVPR.2009.5206848|url = https://ieeexplore.ieee.org/document/5206848|lingua = en}}

</ref><ref name="lastampa">{{cita news|url=https://www.lastampa.it/2012/11/23/tecnologia/imagenet-la-nuova-via-per-trovare-immagini-sul-web-gKvMeTojkHRP7fvbIZoFtI/pagina.html|nome=Claudio|cognome=Leonardi|titolo=ImageNet, la nuova via per trovare immagini sul web|urlarchivio=https://web.archive.org/web/20121129084900/https://www.lastampa.it/2012/11/23/tecnologia/imagenet-la-nuova-via-per-trovare-immagini-sul-web-gKvMeTojkHRP7fvbIZoFtI/pagina.html|data=23 novembre 2012|pubblicazione=[[La Stampa]]}}</ref>: in particolare nel corso del 2012 ImageNet è stato il maggior utilizzatore a livello accademico del servizio [[Amazon Mechanical Turk|Mechanical Turk]] di Amazon.<ref name="nytimes 2012"/> Nell'annotazione a livello di immagine viene richiesto di indicare la presenzopresenza o l'assenza di categorie di oggetti, ad esempio "''ci sono tigri in questa immagine''" oppure "''non ci sono tigri in questa immagine''". Nelle annotazioni a livello di singolo oggetto, viene indicata la [[bounding box]] intorno alla parte visibile dello stesso.

== Importanza nel campo dell'apprendimento profondo ==

Il 30 settembre 2012, nell'ambito dell'annuale competizione ILSVRC, utilizzando una [[rete neurale convoluzionale]] denominata AlexNet<ref name=":0">{{Cita pubblicazione|cognome=Krizhevsky|nome=Alex|cognome2=Sutskever|nome2=Ilya|cognome3=Hinton|nome3=Geoffrey E.|accesso=24 maggio 2017|titolo=ImageNet classification with deep convolutional neural networks|url=https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf|rivista=[[Communications of the ACM]]|volume=60|numero=6|mese=Giugno|anno=2017|pp=84–9084-90|doi=10.1145/3065386|issn=0001-0782|lingua=en}}</ref>, è stato ottenuto un tasso di errore del 15,3%, con un distacco maggiore di 10,8 punti percentuali sul secondo classificato. Tale risultato è stato reso possibile dall'impiego di [[Graphics processing unit|GPU]] nella fase di addestramento della rete<ref name=":0" />: l'impiego di GPU si è rivelato un ingrediente essenziale nella rivoluzione dell'[[apprendimento profondo]] (in inglese ''deep learning''). Secondo il ''[[The Economist]]'', a seguito di tale evento è nato un improvviso interesse verso l'intelligenza artificiale, non solo all'interno delle comunità di ricerca, ma nell'intero settore della tecnologia.<ref name=economist/><ref>{{cita news|titolo=Machines 'beat humans' for a growing number of tasks|url=https://www.ft.com/content/4cc048f6-d5f4-11e7-a303-9060cb1e5f44|accesso=3 febbraio 2018|pubblicazione=[[Financial Times]]|data=30 novembre 2017|lingua=en}}</ref><ref>{{Cita web|url=https://qz.com/1307091/the-inside-story-of-how-ai-got-good-enough-to-dominate-silicon-valley/|titolo=The inside story of how AI got good enough to dominate Silicon Valley|nome=Dave|cognome=Gershgorn|sito=Quartz|accesso=10 Dicembre 2018|lingua=en|data=18 giugno 2018|urlarchivio=https://web.archive.org/web/20190524005049/https://qz.com/1307091/the-inside-story-of-how-ai-got-good-enough-to-dominate-silicon-valley/}}</ref>

In occasione del concorso promosso da ImageNet nel 2015, AlexNet è stata superata da una rete neurale convoluzionale molto profonda proposta da Microsoft, costituita da oltre 100 livelli.<ref name="microsoft2015">{{cita pubblicazione|cognome=He|nome=Kaiming|cognome2=Zhang|nome2=Xiangyu|cognome3=Ren|nome3=Shaoqing|cognome4=Sun|nome4=Jian|titolo=Deep Residual Learning for Image Recognition|rivista=2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)|lingua=en|anno=2016|pp=770-778|url=http://openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf|urlarchivio=https://web.archive.org/web/20180712172513/http://openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf}}</ref>