Google更新最大的带注释图像数据集，添加本地化叙述

导语：对注释进行了极大的扩展

近日，Google AI 宣布发布 Open Images V6，和 V5 版本相比，它极大地扩展了 Open Images 数据集的注释，增加了大量新的视觉关系（例如，「狗抓飞盘」）、人类动作注释（例如，「女人跳跃」）和水平图像标签（例如，「paisley」）。

值得注意的是，该版本还添加了本地化叙述，这是一种全新的多模态注释形式，由同步的语音、文本和鼠标跟踪所描述的对象组成。在 OpenImagesV6 中，这些本地化的叙述可用于 500k 图像。此外，为了便于与之前的工作进行比较，Google 还为 COCO 数据集的全部 123k 图像发布了本地化的叙述注释。

Open Images V6 网址：https://g.co/dataset/openimages   

COCO 数据集网址：http://cocodataset.org/    

Open Images V5 中的注释模式：水平图像标签、边界框、实例分段和视觉关系。图片来源：1969 年 D.Miller 的 Camaro RS/SS、anita kluska 的 the house、Ari Helminen 的 Cat Cafe Shinjuku calico、Andrea Sartorati 的 Radiofiera-Villa Cordellina Lombardi、Montecchio Maggiore（VI）-agosto 2010。

从很多方面来讲，Open Images 是最大的带注释图像数据集，用来训练用于计算机视觉任务的最新深度卷积神经网络。

 

视频网址：https://youtu.be/mZqHVUstmIQ 

本地化叙述的例子。图片来源：Kasia 的 Spring is here

本地化叙述

本地化叙述背后的动机之一是研究、利用视觉和语言之间的联系，通常是通过图像字幕加上人的文本描述完成。然而，图像字幕的局限性之一是缺乏视觉基础，即我们不知道文本描述的是图像中的哪一块。为了减轻这一问题，以前的一些数据集对文本描述中出现的名词画了一个后验框。相反，在本地化的叙述中，文本描述的每个词都是有对应位置的。

图像内容和字幕之间的不同层次的对应。从左到右：整个图像的标题（COCO）；矩形框的名词（Flickr30k 实体）；鼠标跟踪段的每个单词（本地化叙述）。图片来源：COCO，Flickr30k Entities，和 Rama 的 Sapa。

本地化的叙述是由注释者生成的，他们提供图像的口头描述，同时将鼠标悬停在所描述的区域上。语音注释是其方法的核心，它直接将描述与其所引用的图像区域连接起来。为了使描述更易于访问，注释者将自动语音转录结果与手动转录结果对齐。这恢复了描述的时间戳，确保语音、文本和鼠标跟踪这三种模式正确且同步。

手动和自动转录的对齐，图像是基于 Freepik 的原创作品设计的。

在说话的同时进行指示是非常直观的，为研究人们描述图像创造了更多方法。例如，我们观察到，在表示对象的空间范围时有不同风格的线条——环绕、划满线条、下划线等等——对这些风格的研究可以为新用户界面的设计带来有价值的见解。

鼠标跟踪与图像下面的单词对应的区域。图片来源：Via Guglielmo Marconi，Elliott Brown 的 Positano-Hotel Le Agavi-boat，vivek jena的air frame，以及弗吉尼亚州立公园的 CL P1050512。

这些本地化的叙述所代表的额外数据量到底有多大？据了解，鼠标轨迹的总长度约为 6400 公里，如果不停地朗读，所有的叙述将需要约 1.5 年的时间读完！

新的视觉关系、人类行为和水平图像注释

除了本地化的叙述之外，在 OpenImagesV6 中，Google 将视觉关系注释的类型增加了一个数量级（高达 1.4k），例如添加了「男人滑滑板」、「男人和女人牵着手」和「狗抓飞盘」等。

图片来源：IMG 作者 James Buck，DSC 作者 Quentin Meulepas，dsc06464 作者 sally9258。

自从计算机视觉诞生以来，图像中的人就一直是其研究的核心领域之一，理解这些人在做什么对许多应用来说至关重要。因此，Open Images V6 还包含了 250 万个人类执行独立动作的注释，比如跳跃、微笑或躺下。

图片来源：Boo Ph 的 DSCs1341（2），Johannes Gardner 的 Richard Wagner Spile 2015。

最后，Google 还添加了 2350 万个新的人工验证的水平图像标签，有接近 20000 个类别，大小超过 59.9M。

Open Images 挑战赛

在去年 5 月发布的第 5 版 Open Images V5 中包含 9M 图像，并有 36M 的水平图像标签、15.8M 的边界框、2.8M 的分段实例和 391k 的视觉关系。

与数据集本身一样，2019 年 Google举办了 Open Images 挑战赛，比赛分为目标检测、实例分割和视觉关系检测三个赛道，对这三个方向技术的最新进展起到了积极的推动作用。

大赛介绍

• 目标检测赛道

目标检测赛道要求预测对象实例周围的边界框。

训练集包含 12.2M 的边界框，跨越 500 个类别，覆盖 170 万张图片。为了确保准确性和一致性，这些边界框大部分是由专业注释员手工绘制的。数据集图像非常多样化，通常包含多个对象的复杂场景——平均每张图像有 7 个对象。

示例图片：Rhys A 的作品 Mark Paul Gosselaar 弹吉他

比赛网址：https://www.kaggle.com/c/open-images-2019-object-detection 

• 实例分割赛道

实例分割赛道要求提供对象的分段掩码。

训练集包含 300 个类别中 2.1M 分段实例掩码；验证集包含额外的 23k 掩码。训练集掩码是由最先进的交互式分割过程产生的，在这个过程中，专业的人类注释者迭代地校正分割神经网络的输出。为保证质量，验证和测试集掩码是手动注释的。

训练组注释示例。左图：Gary Stevens 1995 年拍摄的无锡科技园；右图：Ari Helminen 拍摄的咖啡馆的猫咪

比赛网址：https://www.kaggle.com/c/open-images-2019-instance-segmentation 

• 视觉关系检测赛道

视觉关系检测赛道要求检测对象对以及连接它们的关系。

训练集包含 329 个关系（三对三）和 375k 训练样本。这些关系既包括人与物的关系（例如「女人弹吉他」、「男人拿麦克风」），也包括物与物的关系（例如「桌子上的啤酒」、「车里的狗」），还包括物与物的属性关系（例如「手提包是皮革做的」和「长凳是木制的」）。

弹吉他的人

比赛网址：https://www.kaggle.com/c/open-images-2019-visual-relationship