隨著圖像檢索和實例識別技術的迅速發(fā)展，急需有效的基準數(shù)據(jù)來對不斷出現(xiàn)算法的性能進行有效測評。來自谷歌的研究人員為此設計并推出了Google Landmarks Dataset v2（GLDv2）數(shù)據(jù)集用于大規(guī)模、細粒度的地標實例識別和圖像檢索人物。這一數(shù)據(jù)集包含了200k個不同實例標簽共5M張圖像，其中包括測試集為檢索人物標注的118k張圖像。

這一數(shù)據(jù)集的特點不僅在于規(guī)模，而且在于考慮了許多真實應用中會遇到的問題，包括長尾特性、域外圖像、類內豐富多樣性等特點。這一數(shù)據(jù)集除了可以作為檢索和識別人物的有效基準外，研究人員還通過學習圖像嵌入呈現(xiàn)了其用于遷移學習的潛力。

圖像檢索與實例識別

圖像檢索和實例識別是計算機視覺研究領域的基本課題已經有很長的研究歷史。其中圖像檢索的目的是基于查詢圖像來排序出最為相關的圖像，而實例識別則是為了識別出目標類別中的特定實例（例如從“油畫”類別中識別出“蒙娜麗莎”實例）。

但隨著技術的發(fā)展，兩種任務開始結合提高了技術額魯棒性和規(guī)模性，早期的數(shù)據(jù)集越來越不足以支撐算法的發(fā)展。此外在圖像分類、目標檢測等領域都出現(xiàn)了像ImageNet、COCO、OpenImages等大規(guī)模的數(shù)據(jù)集，而圖像檢索領域還在使用Oxford5k和Paris6k等數(shù)據(jù)較少、時間較老的數(shù)據(jù)集。由于其大多只包含了單個城市的數(shù)據(jù)，使其訓練的結果難以大規(guī)模的泛化。

世界范圍內的數(shù)據(jù)采集點的分布

很多現(xiàn)有的數(shù)據(jù)集都沒有涵蓋真實條件下的挑戰(zhàn)。例如用于視覺檢索的地標識別app會收到大量非地標的查詢圖像，包括動植物或各類產品等，這些查詢圖像原則上不應該得到任何查詢結果。此外絕大多數(shù)實例識別數(shù)據(jù)集僅僅有專題查詢能力，同時無法測量域外數(shù)據(jù)的假陽性率。

研究人員迫切需要更大、更具挑戰(zhàn)的數(shù)據(jù)來測評技術的發(fā)展，同時為將來的研究提供足夠的挑戰(zhàn)和動力。這一領域缺乏大規(guī)模數(shù)據(jù)的原因在于上千個標簽和上百萬圖像中進行數(shù)千個標簽的細粒度標注十分耗費人力，同時也不是簡單的外包可以完成，需要專業(yè)知識才能有效標注。為了解決這些問題，新的數(shù)據(jù)呼之欲出！

GLDv2

這一新數(shù)據(jù)集的主要目的是為了盡可能的模擬和覆蓋真實工業(yè)場景地標識別系統(tǒng)所面臨的挑戰(zhàn)。為了盡可能地覆蓋真實世界，需要非常多的圖像，因此這一數(shù)據(jù)集首先需要滿足大規(guī)模的特性；其次為了適應多種光照條件和視角，還需要每一個類別或實例標簽中的圖像具有豐富的類內多樣性。真實情況下絕大多數(shù)圖像來源于著名的地標，而還有很多來源于不那么知名的地點，所以數(shù)據(jù)集還需要具備長尾特性。最后一個問題，在實際使用中，用戶會上傳各種各樣的查詢圖像，只有非常少的一部分圖像存在于數(shù)據(jù)集中，那么這些數(shù)據(jù)需要滿足域外查找特性（即能夠在不包含在訓練集中的查詢圖像上依然有效運行）。這些實際情況中的特點為識別算法的魯棒性提出了非常大的要求。

在這些因素的指導下，研究人員們開始收集對應的圖像并進行標注。數(shù)據(jù)主要來源于Wikimedia Commons，這是Wikipedia背后支撐的媒體資源庫。它覆蓋了世界范圍內大部分的地標，同時還包括了Wiki Loves Monuments來自世界各地的文化遺跡高質量細粒度照片。此外研究人員還從眾包中獲取了真實的查詢照片。

在獲取了圖像后就需要標記數(shù)據(jù)集建立索引了。下圖顯示了從Wikimedia Commons中挖掘地標圖像的流程。

Wikimedia Commons中是按照分類學的方式組織資源。每一個分類有獨特的URL其中包含了所有相關的圖像列表。但這種方式并沒有合適的頂級分類來映射人造和自然地標的，于是研究人員采用了谷歌知識圖譜來發(fā)掘世界范圍內的地標。

為了獲取WikiCommons中與地標相關的分類，研究人員從谷歌知識圖譜中查詢了“l(fā)andmarks”，“tourist attractions”，“points of interest”等等詞條，每次查詢都會返回圖譜實體，利用這一實體來獲取Wikipedia中的文章，并跟隨文章中的鏈接找到Wikimedia Commons分類頁面。隨后將所有圖像下載下來，并利用嚴格的分類來確定每一張圖像對應一種分類，并利用Wikimedia Commons中的url作為典型的類別標簽。依照這樣的方式獲取了訓練和索引集。而查詢數(shù)據(jù)集的構建則包含了包含地標的positive查詢和不包含地標的negative查詢。

由于視覺上的檢查發(fā)現(xiàn)檢索和識別結果出現(xiàn)了一些錯誤，主要由于遺漏了基準標注，原因源于以下幾個方面：眾包帶來的錯誤和遺漏、某些查詢圖像包含多個地標，但基準只有一個結果、某一圖像在不同層次具有不同的標簽、某些negative查詢圖像實際上是地標圖像。為了解決這些問題，需要對測試集進行重新標注。

GLDv2數(shù)據(jù)集與其他數(shù)據(jù)的比較

最終研究人員得到了五百萬張超過二十萬個不同實例地點的數(shù)據(jù)集，成為了目前領域內最大的實例識別數(shù)據(jù)。它最終分為三個部分，一部分是118k包含基準標注的查詢數(shù)據(jù)、4．1M圖像包含203k地標標簽的訓練數(shù)據(jù)、包含101k地標的762k張索引圖像。此外還給出了一個小型的數(shù)據(jù)集包括1．2M圖像和15k地標。與其他數(shù)據(jù)集相比，這一新數(shù)據(jù)集的規(guī)模和多樣性都是無可比擬的：

采集自世界范圍內的圖像，分類圖顯示了超過25k地點類別直方圖

強有力的數(shù)據(jù)集

為了檢驗這一數(shù)據(jù)集的能力，研究人員進行了一系列實驗。首先在GLDv2數(shù)據(jù)上進行訓練，測試了模型的遷移能力。通過學習全局描述子并測評他們在獨立地標檢索數(shù)據(jù)中的表現(xiàn)（Revisited Oxford，ROxf 和 Revisited Paris， RPar） 。下表顯示了這一數(shù)據(jù)集可以顯著提高模型的性能，mAP的提升將近5％。

針對識別和檢索任務下面兩個表展示了基于不同模型和數(shù)據(jù)集上的比較結果可以看到基于GLDv2數(shù)據(jù)集的模型性能得到了顯著提升。

此外在檢索挑戰(zhàn)任務上進行了測評，包括了全局特征搜索和局域特征匹配重排等技術。結果顯示，即使使用了復雜的技術，這一數(shù)據(jù)集仍然具有可以挖掘提升的空間。