概要

シーンの意味論的なカテゴリと属性がラベル付けされた 1,000 万枚のシーン写真のリポジトリである Places Databaseについて説明
最先端のCNNを使用して分類時に優れたベースラインパフォーマンス

新規性・差分

環境のカテゴリの広範なカバレッジを提供することにより、シーン理解の能力を向上させることを目指している

アイデア

オンライン画像検索エンジン(Google画像、Bing画像、およびFlickr) から、SUN データセットのクラスのリストからのクエリワードを使用して候補画像をダウンロード
- 外観の多様性のために696の一般的な形容詞 (例: 乱雑、晴れ、荒涼など)と組み合わせた
- SUNデータセットと同じ画像が含まれないようにしている
Amazon Mechanical Turk (AMT) にクラウドソーシングしてラベルが正しいかを検証
- 最初の反復では50％以上、2回目の反復では25.4％がNo
- 最終的に少なくとも1,000個のサンプルが含まれるカテゴリが413、20,000個を超えるサンプルが含まれるカテゴリが98
AlexNetで残りの 5,300 万枚の画像を分類
- データセットは1,000個のサンプルが含まれる413カテゴリ
- サンプルが少ないカテゴリは信頼度0.8以上のものをAMTへ
- 5,000個のサンプルが含まれるカテゴリが401、20,000個を超えるサンプルが含まれるカテゴリが240
「スキーロッジ」と「スキーリゾート」のような類似カテゴリを統合
分類が曖昧な画像をどちらに属すかをAMTで収集することで分類
- 434の場所カテゴリ,10,624,928 枚の画像のデータベースが完成
4,000枚を超える画像を含む365のカテゴリからPlaces365-StandardとPlaces365-Challengeを作成
- Places365-Standardは1,803,460個の学習画像
- Places365-Challengeは800万個の学習画像
- 検証はクラスごとに50個、テストはクラスごとに900個

結果

CNN分類精度(Places205 & SUN205)
CNN分類精度(Places365)
VGG(Places365)

一覧へ戻る