AI Challenger 開賽：國內最大規模深度學習數據集上線

機器之心原創

撰文：邱陸陸

編輯：藤子

由創新工場、搜狗和今日頭條聯合宣布發起的 AI Challenger 挑戰賽，在今年的比賽時間為 9 月 4 日至 12 月 3 日，每雙周評出周冠軍，每個賽題中效果突出的團隊還將進行答辯，角逐總冠軍。目前，報名者已超過 1000 名，參賽隊伍超過 500 支，其中很多人來自國內外 AI 實力強勁的高校、公司和機構，不乏過去各類比賽的獲獎者，比如 ImageNet 兩項任務冠軍、天池阿里移動推薦演算法大賽冠軍以及 Kaggle 大賽的眾多優勝者。

隨著以 30 萬張圖片為基礎的計算機視覺賽道數據集和以 1000 萬對英中對照的句子為基礎的自然語言賽道數據集的上傳，第一屆 AI Challenger（AIC）在 9 月 4 日正式拉開帷幕。這個由創新工場、搜狗和今日頭條聯合宣布發起的挑戰賽，希望打造中國最大的科研數據集與世界級 AI 競賽平台，推動中國人工智慧領域科研創新。

圖：（左起）搜狗 CEO 王小川、創新工場創始人兼 CEO 李開復、今日頭條顧問兼技術戰略研究院院長張宏江 在 8 月 14 日的 AI Challenger 啟動儀式上

第一屆 AIC 共開闢了兩個賽道、五個賽題，分別是自然語言/機器翻譯領域的英中機器同聲傳譯（English-Chinese Simultaneous Interpretation）賽題、英中機器文本翻譯（English-Chinese Machine Translation）賽題，以及計算機視覺賽道的場景分類（Scene Classification）賽題、 人體骨骼關鍵點檢測（Human Skeleton System Keypoints Detection）賽題和圖像中文描述（Image Caption）賽題。

在數據集上線前夕，機器之心和 AI Challenger 競賽組委會執行委員會成員、創新工場人工智慧研究院副院長王詠剛聊了聊，從「發起人」和「建設者」的角度談了談 AI Challenger 的選題考量、數據集建設情況以及長期的展望。

計算機視覺賽道：更專門化、更貼近商業應用場景、更有中國特色的賽題設置

創新工場本次主要負責計算機視覺賽道數據集的建設。去年開始規劃 AI Challenger 的建設之後，團隊諮詢了大量競賽方面的專家。包括 ImageNet 的發起人李飛飛、來自 MS COCO 團隊的負責人和在 CVPR 主辦競賽及研討會的研究者。專家們認為：後 ImageNet 時代，需求最大的不再是通用數據集，而是和商業應用場景結合更緊密的前沿領域專門數據集。因此，AIC 的團隊通過與中國較為前沿的和視覺相關的領域，如無人駕駛、醫療影像、安防等從業者進行溝通，確定了以下這三個更加專門化的、更具有中國特色的數據集方向。

其中，人體骨骼關鍵點檢測在無人駕駛領域和安防領域都有眾多應用場景。無人駕駛需要純視覺方案來感知行人的動作。這裡的感知遠比「識別」、「確定位置」要複雜。因為行人的動作模式非常多樣，對行人的動作意圖檢測要遠遠難於對車的檢測。在現在前沿的行人動作姿態檢測演算法中，基於人體骨骼關鍵點的演算法是其中一類主流演算法，而這類主流演算法的準確度還不那麼理想。而在安防領域，取得不錯成果的人臉識別課題其實只覆蓋了安防領域中的「身份識別」這一個非常小的場景，而且需要在臉部相對比較清晰、完整的情況下進行。但在更多的場景中，人的臉部都不一定清晰，而且需要分析人的整體動作進行追蹤。在人體追蹤技術里，人體骨骼關鍵點也是其中的重要因素。

「圖像描述任務是當下的一個熱點方向，因為它的核心是跨模式、多模態的學習。」王詠剛闡述自己對圖像描述的理解。人工智慧現在已經能很好地完成感知（perception）任務了，在「從聲音和圖片中識別出內容」這項工作上甚至可以取得勝過人類的成果。然而「語義理解」工作方面卻一直未見長足進展。圖像描述任務需要把感知模塊得到的結果用一定方法轉為文本內容，是一個從感知到理解的過渡項目。當前的圖像描述一般以 MS COCO 數據集為標準數據集，MS COCO 是一個包含 14 萬張圖片的數據集，每張圖片有 4 - 5 句英文描述。在此基礎上，AIC 希望建設一個中文的圖像描述數據集，第一檢測現有的演算法應用到中文數據上效果如何，第二嘗試在此基礎上是否能做出有針對性的演算法來增強效果。

圖像分類任務是上兩個問題的「副產品」，人體骨骼關鍵點監測和圖像描述都涉及了大量的場景，AIC 把其中的典型場景和一些可能帶來挑戰的場景結合起來，篩選了 80 個場景下的 8 萬張圖片，設計了一個相對簡單，可以讓更多對深度學習感興趣的人參與進來的問題。

人體骨骼關鍵點和圖像描述的標註難度都遠大於 ImageNet 傳統的物體檢測、定位標註。創新工場以及其他兩家合作夥伴在數據集的建設上投入了大量的人力物力，與多家團隊合作完成了標註工作。機器之心了解到，今年的計算機視覺數據標註工作動員了超過 100 名專業標註員，創新工場也成立了 12 人的質檢團隊，專門負責用基線模型對不同批次的標註數據進行交叉驗證。總投入是獎金池投入的 4-5 倍，而計算機視覺方向的獎金池規模累計大於 100 萬人民幣。

今年的計算機視覺賽道數據集（訓練集）以 21 萬張圖片為基礎，其中人體骨骼關鍵點檢測的訓練集中包含了超過 35 萬個人物，使用的圖片覆蓋了超過 250 種日常生活場景，壓縮後數據集大小為 14.8G；圖像中文描述的訓練集包含了 105 萬句中文描述，覆蓋了超過 200 種日常生活場景，壓縮後數據集大小 19.2G。

圖：人體骨骼關鍵點訓練集中，14 個關鍵點的分布情況。其中，藍色代表「標註且可見關鍵點」，橙色代表「標註但不可見關鍵點」，綠色代表「未標註關鍵點」（關鍵點在圖像外）

圖：計算機視覺日常場景分布圖，典型場景包括：球場、道路 、運動場、舞台、房間、大廳、草地等等

王詠剛：打造越來越全面和多樣化的數據集是未來目標

今年的比賽時間為 9 月 4 日至 12 月 3 日，為期三個月。每雙周會評出周冠軍，每個賽題中效果突出的團隊還將進行答辯，角逐總冠軍。自啟動儀式開放報名以來，平台已經匯聚了來自世界各地的超過 1000 名參賽者和超過 500 支參賽隊伍。他們中很多人來自國內外 AI 實力強勁的高校和公司機構，其中不乏過去各類比賽的獲獎者，比如 ImageNet 兩項任務冠軍、天池阿里移動推薦演算法大賽冠軍以及 Kaggle 大賽的眾多優勝者。

王詠剛表示，AI Challenger 並非只舉辦一年，而是一個長期的願景。一家投資、孵化了三十餘家 AI 公司的投資機構，兩家以科研、技術能力著稱的互聯網公司，這三家主辦方承諾在 3 年內投入數千萬元人民幣，建設這個集科研數據集與 AI 競賽為一體的平台。今年開放的兩個賽道五個賽題，也只不過是「萬里長征第一步」。

「我們的偉大理想是建造一個世界一流的數據集，這不是一個一蹴而就的過程，需要幾年的時間慢慢打造。」王詠剛說。第一年，AIC 雖然都是學術研究前沿方向，然而出於謹慎的態度，只選擇了幾個「點」來進行嘗試。團隊希望在未來，數據集能越來越全面和多樣化。王詠剛表示，在數據集公布後，他們會將過程和經驗整理為論文，在 CVPR 等會議上與研究者交流，更多地搜集研究者對數據的需求，為明年的數據集建設提供指導意見。

王詠剛認為，數據集建設的路上還有很多高山等待著 AIC 去攀登，這其中包括視頻數據、虛擬系統生成數據等更多樣化的數據形式，也包括醫療影像數據等數據集的體量問題，以及數據集外的標註成本、版權問題、隱私問題亟待考慮與解決。

如同創新工場創始人兼 CEO 李開復在啟動儀式上提到的，AI 在我國推進的最大落差就是數據的落差。而 AIC 希望以競賽平台的形式給更多學生、學校、實驗室和新創公司提供數據與計算能力，從而提升整個中國的人工智慧水平。「希望當我們在三五年後回顧時，當我們看到中美 AI 人才沒有落差時，也許會想到 AI Challenger 在這個重大過程中扮演了一個小小角色。」李開復如是說。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！