0
近日，麻省理工學院研究團隊發表了一篇論文指控知名數據集ImageNet存在系統性Bug，該論文還被國際機器學習大會ICML2020接收。
同時，這篇論文名為《From ImageNet to Image Classification: Contextualizing Progress on Benchmarks》，也發表在了在預印論庫arXiv上。
麻省理工研究團隊之所以在ICML大會上介紹這項研究，是因為近期陷入的“Tiny Images”爭議事件。
就在本月初，麻省理工學院（MIT）宣布永久刪除了包含8000萬張圖像的Tiny Images數據集，并公開表示歉意。其原因是，有關研究人員發表了一篇論文指控Tiny ImageNet數據集存在多項危險標簽，包括種族歧視、性別歧視、色情內容等，而且指控有理有據。
論文中表明，ImageNet在語義結構分析上，使用的WordNet名詞，它包含了種族歧視等危險內容，同時，由于圖像過小，數據量過大，并未手動對圖像標簽進行逐一核對，由此導致了問題的出現。
眾所周知，知名數據集ImageNet也使用了WordNet用于語義結構分析，那么，ImageNet數據集是否也存在同樣的問題？對此，麻省理工研究團隊給出了答案。
大規模ImageNet數據集的出現，可以說意味著機器學習深度變革的一個新起點。2009年，李飛飛領銜的研究團隊在計算機視覺與識別模式大會（CVPR）上首次推出ImageNet，ImageNet數據集包含10000個分類，超過一百萬個圖像，數據量之大是此從未有過的。
正是因數據量大、質量高，ImageNet數據集被廣泛用于預訓練和基準測試。但是，麻省理工研究團隊在最近的研究中卻指出：
ImageNet存在明顯的“系統標注問題”，導致其用作基準數據集時與實際情況并不一致。
他們發現，ImageNet數據集中大約有20%的圖像包含兩個或更多的對象目標。
在通過對多個目標識別模型進行分析后，數據表明包含多個對象目標的照片會導致總體基準的準確性下降10%。
簡單舉個栗子：假如此圖是ImageNet數據集中的一張高清圖像，我們可以看到圖片中不止包含了一個對象目標，有女孩、吉他和唱麥，而且圖片的主目標應該是女孩。
但ImageNet的數據標簽可能不是女孩，也可能是唱麥或者吉他，重要的是ImageNet只會標注一個標簽，而這樣就可能會導致ImageNet在目標識別中出現失誤。
研究人員在論文中表明，
“總體而言，單個ImageNet標簽可能不能總是捕獲到ImageNet圖像的主要表物體目標。但是，當我們進行培訓和評估時，卻將標簽視為圖像的根本事實，因此，這可能會導致ImageNet基準測試與現實世界中的對象識別任務之間出現不一致，而且這在模型執行和評估性能方面都是如此。”
看到這里你可能會疑惑，為什么不能準確對圖像進行標記？其實問題的關鍵在于ImageNet所使用的標記工具WorldNet。
WordNet在1980年代由George Armitage Miller創立，被廣泛用于數據集的收集和標記過程。簡單的理解，ImageNet會根據WorldNet提供的名詞和它的語義層次結構，在搜索引擎或者Flickr之類的網站進行圖像搜索，作為數據集的初始來源。
當WordNet提供一個名詞后，根據它設定的語音層次結構，ImageNet需要對該名詞的父類節點同義詞進行擴充，并以此作為搜索的關鍵詞。比如“ whippet”分類名詞（父類節點為：“dog”）的搜索還會包括“ whippet dog” 。
這類似于我們經常看到的“相關搜索”。為了進一步擴展圖像池，數據集創建者還會使用多種語言進行了搜索。
但這里的重點是，對于每個檢索到的圖像已經確定了標簽，如果該標簽包含在數據集中，則將分配給該圖像。也就是說，標簽僅由用于相應搜索查詢的WordNet節點給出。
而在這一過程中，WordNet的語義結構會將非主要目標的圖像納入數據集中，進而出現上文提到標記偏差。如論文中的數據顯示，同一分類標簽卻出現了不同的物體目標。（如圖）
既然如此，那為什么WordNet名詞還能夠廣泛應用于數據集創建過程中呢？
一方面是因為WorldNet可以完成大量數據的自動標記工作。我們知道，所有數據集在使用前都要先完成標記任務，而一個優秀的數據集規模又是很大的，如果全部手動標記，難度非常高，而WorldNet卻可以很好的解決這一問題。
另一方面對于ImageNet而言，WordNet獲取的只是初始數據標簽，其準確性還需要通過相關模型進行再次驗證。總體來講，ImageNet數據集的創建過程，分為自動圖像收集（automated data collection）和眾包過濾（crowd-sourced filtering）兩個階段，而眾包過濾就是所謂的審核階段，它分為以下5個步驟：
潛在標簽（Candidate Labels）：通過現有ImageNet圖像標簽與模型預測的前5個標簽進行組合，獲得每張圖像的潛在標簽。
選擇高頻率標簽（Selection Frequency）：通過Mechanical Turk（MTurk）平臺，將潛在標簽與注釋內容對比，經過反復過濾循環后，出現頻率最高的為最佳標簽（一般少于5個）。
CLASSIFY任務：給獲得的少量多標簽（Multiple labels）重新定義一組新的注釋內容，根據注釋信息為不同對象賦予標簽，并確定一個主要對象的標簽，這個過程稱為CLASSIFY。
對象注釋（Object Annotation）：匯總以上訓練后，獲得更為細粒度的圖像注釋；
與原始ImageNet標簽相比，經過眾包過濾后生成的注釋能夠以更細粒度的方式表征圖像的內容，但研究者發現，這些注釋內容可能并沒有達到期待的效果，如下圖，CONTAINS任務會選擇多個標簽對圖像有效，而對于70%的圖像而言，注釋選擇的標簽頻率至少是ImageNet的原始標簽的一半。
而且下圖表明，盡管只感知到單個對象，它們也經常會選擇多達10個類別標簽。因此，對于單一目標的圖像，ImageNet驗證過程也無法得到準確的標簽。
因此，可以說圖像標簽在很大程度上依然取決于自動檢索（WorldNet）過程，同時眾包過濾的審查過程還有很大的提升空間。
對于未來如何優化數據集的創建任務，研究人員在論文中表明，我們認為開發注釋流程，尤其是審查階段以更好地捕獲基本事實，同時保持可擴展性是未來研究的重要途徑。”
作為人工智能技術的基礎，數據集在諸多研究領域都有著廣泛的使用場景，尤其是在計算機視覺領域。近些年，因數據集的使用引發的隱私泄露、種族歧視等問題接連不斷，導致人工智能技術的發展備受爭議。
除了近期麻省理工學院因涉嫌種族歧視而刪除了包含8000張圖像的Tiny Image數據外，此前，一款圖像修復算法PULSE，在學術圈同樣引起軒然大波。有網友發現，PULSE在修復馬賽克圖像時，將奧巴馬的人臉圖像變成了高分辨率的白人，這一事件引起了黑人網友的不滿。
對此，2018年的圖靈獎得主Lecun發表Twitter稱，訓練結果存在種族偏見，是因為數據集本身帶有偏見，工程師在使用過程中應該注意這一點。
今年因數據集而引發種族歧視事件頗多，而解決這些數據集爭議，無非是從數據收集和標記階段進行改進。研究人員稱，對于大型數據集，理想的方法是按指定目標在全世界范圍內收集圖像，并讓專家按確切類別進行手動篩選和標記。這里需要注意的是，非專家的人工標記也可能出現錯誤。
但從當前來看，這種方法非常不切實際。事實上，諸如ImageNet此類數據集均是從互聯網搜索引擎抓取的圖像，質量參差不齊，而圖像審查不夠嚴謹。同時大量數據的專家手動標記也很難實現。不過，如本次研究所稱，可以通過技術進一步改善圖像自動審查的過程來提高數據集的質量。
此外，目前學術界已經越來越關注數據集相關缺陷問題，在本月初計算機語言協會（ACL）還重點討論了這一問題。
引用鏈接：雷鋒網雷鋒網雷鋒網
https://arxiv.org/abs/2005.11295
https://arxiv.org/pdf/2005.11295.pdf
https://venturebeat.com/2020/07/01/mit-takes-down-80-million-tiny-images-data-set-due-to-racist-and-offensive-content/
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
