Конкурс ImageNet

Материал из MachineLearning.

Версия 04:43, 19 июля 2026 (править) Kirill Solovev (Обсуждение | вклад) (Новая: {{well|Статья написана с использованием LLM '''Название Версия''' и проверена участником ~~~~}} {{TOCright}} '''Конку...) ← К предыдущему изменению		Текущая версия (10:04, 25 июля 2026) (править) (отменить) Roman Iuкharev (Обсуждение | вклад) (Перенаправление после объединения)
Строка 1:		Строка 1:
-	{{well|Статья написана с использованием LLM '''Название Версия''' и проверена участником [[Участник:Kirill Solovev|Kirill Solovev]] 08:43, 19 июля 2026 (MSD)}}	+	#REDIRECT [[ImageNet]]
-	{{TOCright}}	+
-	'''Конкурс ImageNet''' (официально — '''ImageNet Large Scale Visual Recognition Challenge''', '''ILSVRC''') — ежегодное научное соревнование по [[Компьютерное зрение|компьютерному зрению]], проводившееся с 2010 по 2017 год. Участники обучали алгоритмы [[Классификация изображений|классификации изображений]], [[Локализация объектов|локализации]] и [[Обнаружение объектов|обнаружения объектов]], после чего организаторы оценивали представленные результаты на скрытой тестовой выборке по единому протоколу.<ref name="ILSVRC">{{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/	+
-	|title = ImageNet Large Scale Visual Recognition Challenge (ILSVRC)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}</ref><ref name="Russakovsky2015">{{статья	+
-	|автор = Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A. C., Fei-Fei L.	+
-	|заглавие = ImageNet Large Scale Visual Recognition Challenge	+
-	|ссылка = https://link.springer.com/article/10.1007/s11263-015-0816-y	+
-	|язык = en	+
-	|издание = International Journal of Computer Vision	+
-	|год = 2015	+
-	|том = 115	+
-	|страницы = 211—252	+
-	|doi = 10.1007/s11263-015-0816-y	+
-	}}</ref>	+
-		+
-	Конкурс использовал специально подготовленные подмножества и разметку проекта [[ImageNet]], однако не был тождествен самому набору данных. ImageNet — это долговременный проект по созданию базы размеченных изображений, тогда как ILSVRC представлял собой систему задач, правил, сроков, метрик и процедур независимой проверки результатов. Подробное описание устройства набора, его связи с [[WordNet]], состава классов, метрик top-1 и top-5, а также смещений и ограничений приведено в статье [[ImageNet]].	+
-		+
-	Наибольшую известность конкурс получил после результата [[AlexNet]] в 2012 году, продемонстрировавшего преимущество глубокой [[Свёрточная нейронная сеть|свёрточной нейронной сети]], обученной с использованием графических процессоров. Однако значение ILSVRC не сводится к одному результату или к последовательности победителей: конкурс превратил крупномасштабное распознавание изображений в воспроизводимый эксперимент и создал общий ориентир, по которому исследовательские группы могли сравнивать методы.	+
-		+
-	== Научная постановка конкурса ==	+
-		+
-	ILSVRC продолжил традицию соревнований, в которых прогресс измеряется на общей выборке и по заранее заданным правилам. Важным предшественником был конкурс [[PASCAL Visual Object Classes|PASCAL VOC]], сформировавший стандартные процедуры оценки классификации и обнаружения объектов.<ref name="Everingham2010">{{статья	+
-	|автор = Everingham M., Van Gool L., Williams C. K. I., Winn J., Zisserman A.	+
-	|заглавие = The Pascal Visual Object Classes (VOC) Challenge	+
-	|ссылка = https://link.springer.com/article/10.1007/s11263-009-0275-4	+
-	|язык = en	+
-	|издание = International Journal of Computer Vision	+
-	|год = 2010	+
-	|том = 88	+
-	|страницы = 303—338	+
-	|doi = 10.1007/s11263-009-0275-4	+
-	}}</ref> ILSVRC перенёс эту идею на существенно больший масштаб и более широкое множество категорий.	+
-		+
-	Научный смысл такого соревнования состоял в контроле основных условий эксперимента:	+
-		+
-	* все участники решали одинаковую задачу;	+
-	* обучающая и проверочная разметка предоставлялась в одинаковом формате;	+
-	* тестовые ответы оставались скрытыми;	+
-	* предсказания проверялись программно по единому протоколу;	+
-	* число обращений к тестовому серверу ограничивалось, чтобы затруднить непосредственную подгонку под тестовую выборку;	+
-	* результаты и описания наиболее успешных методов обсуждались на семинарах при крупных конференциях по компьютерному зрению.<ref name="Russakovsky2015" />	+
-		+
-	В отличие от обычной публикации, где авторы могли выбирать собственные данные и особенности оценки, конкурс обеспечивал прямое сопоставление методов. Вместе с тем место в таблице результатов не заменяло полноценного научного анализа: на итог могли влиять объём вычислений, [[Ансамблирование моделей|ансамблирование]], использование дополнительных данных и особенности подготовки предсказаний.	+
-		+
-	== Задачи конкурса ==	+
-		+
-	Набор задач ILSVRC изменялся по мере развития компьютерного зрения. Основными направлениями были классификация, локализация и обнаружение объектов; в отдельные годы проводились экспериментальные задачи.	+
-		+
-	=== Классификация изображений ===	+
-		+
-	В задаче [[Классификация изображений|классификации]] алгоритм получал изображение и должен был указать наиболее вероятные категории объекта. В наиболее известной постановке использовался ранжированный список из пяти ответов. Подробное объяснение ошибок top-1 и top-5 дано в статье [[ImageNet]].	+
-		+
-	Классификация позволяла сравнивать способность моделей выделять признаки, устойчивые к изменениям положения объекта, фона, масштаба, освещения и точки съёмки. При этом задача не требовала указать, где расположен объект, и обычно предполагала одну основную целевую категорию для изображения.	+
-		+
-	=== Классификация с локализацией ===	+
-		+
-	В задаче [[Локализация объектов|локализации]] требовалось не только назвать категорию, но и построить ограничивающий прямоугольник вокруг соответствующего объекта. Предсказание считалось корректно локализованным, если категория была определена правильно, а пересечение предсказанного и эталонного прямоугольников удовлетворяло установленному порогу.<ref name="ILSVRC2012">{{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/2012/	+
-	|title = ImageNet Large Scale Visual Recognition Challenge 2012 (ILSVRC2012)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}</ref>	+
-		+
-	Для прямоугольников обычно используется мера [[Коэффициент Жаккара|Intersection over Union]] (IoU):	+
-	<tex>\operatorname{IoU}(B,\widehat B)=	+
-	\frac{|B\cap\widehat B|}{|B\cup\widehat B|},</tex>	+
-	где <tex>B</tex> — эталонная область, а <tex>\widehat B</tex> — предсказанная. В протоколе ILSVRC корректной считалась локализация с перекрытием более 50 %.<ref name="ILSVRC2012" />	+
-		+
-	=== Обнаружение объектов ===	+
-		+
-	[[Обнаружение объектов]] — более общая постановка: изображение может содержать несколько экземпляров разных классов, и алгоритм должен вернуть множество прямоугольников, меток и оценок уверенности. Лишние, повторные и пропущенные обнаружения ухудшают результат.	+
-		+
-	Качество для каждого класса описывалось средней точностью — [[Average precision|average precision]] (AP). Для сводного анализа применялось среднее AP по классам, то есть mAP. В официальном ранжировании задачи обнаружения победитель определялся по числу категорий, в которых команда получила лучший результат; авторы итогового исследования ILSVRC использовали mAP как компактную сводную характеристику, поскольку оба способа давали одинаковый порядок команд.<ref name="Russakovsky2015" />	+
-		+
-	Именно задача обнаружения сделала конкурс важным не только для классификации, но и для развития универсальных визуальных представлений. Предварительно обученная на классификации сеть могла использоваться как извлекатель признаков, а затем дообучаться для поиска объектов. Один из ключевых примеров такого подхода — R-CNN.<ref name="Girshick2014">{{статья	+
-	|автор = Girshick R., Donahue J., Darrell T., Malik J.	+
-	|заглавие = Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation	+
-	|ссылка = https://openaccess.thecvf.com/content_cvpr_2014/html/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.html	+
-	|язык = en	+
-	|издание = Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition	+
-	|год = 2014	+
-	|страницы = 580—587	+
-	}}</ref> Дальнейшее объединение извлечения признаков и формирования областей интереса привело к Faster R-CNN.<ref name="Ren2015">{{статья	+
-	|автор = Ren S., He K., Girshick R., Sun J.	+
-	|заглавие = Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks	+
-	|ссылка = https://proceedings.neurips.cc/paper/2015/hash/14bfa6bb14875e45bba028a21ed38046-Abstract.html	+
-	|язык = en	+
-	|издание = Advances in Neural Information Processing Systems	+
-	|год = 2015	+
-	|том = 28	+
-	|страницы = 91—99	+
-	}}</ref>	+
-		+
-	=== Дополнительные и экспериментальные задачи ===	+
-		+
-	Состав конкурса не был неизменным. В 2012 году, например, проводилась экспериментальная тонкая классификация пород собак. В 2015 году организаторы включили обнаружение объектов в видео и классификацию сцен; отдельная задача классификации объектов на прежнем наборе была заменена обязательной подачей результатов локализации.<ref name="ILSVRC2015">{{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/2015/index.php	+
-	|title = ImageNet Large Scale Visual Recognition Challenge 2015 (ILSVRC2015)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}</ref>	+
-		+
-	В 2017 году основными направлениями оставались локализация объектов, обнаружение объектов на изображениях и обнаружение в видео. Организаторы объявили о передаче дальнейшего проведения этих задач платформе Kaggle.<ref name="ILSVRC2017">{{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/2017/	+
-	|title = ImageNet Large Scale Visual Recognition Challenge 2017 (ILSVRC2017)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}</ref>	+
-		+
-	== Организация эксперимента ==	+
-		+
-	=== Разделение данных ===	+
-		+
-	Для каждой задачи использовались обучающая, проверочная и тестовая части.	+
-		+
-	* На '''обучающей выборке''' были доступны изображения и необходимые аннотации.	+
-	* '''Проверочная выборка''' позволяла выбирать архитектуру и [[Гиперпараметр|гиперпараметры]].	+
-	* Для '''тестовой выборки''' участники получали изображения, но не эталонные ответы. Предсказания передавались организаторам или на автоматический сервер.	+
-		+
-	После первого конкурса тестовая разметка в основном сохранялась закрытой. Это было принципиальным элементом протокола: если ответы известны, исследователь может прямо или косвенно подогнать метод под тестовые примеры, и оценка перестанет характеризовать [[Обобщающая способность|обобщающую способность]] модели.<ref name="Russakovsky2015" />	+
-		+
-	После окончания очередного сезона сервер оценки продолжал работать, что позволило использовать задачу как долговременный [[Бенчмарк|бенчмарк]]. На основном сервере число подач ограничивалось двумя в неделю.<ref name="ILSVRC" />	+
-		+
-	=== Дополнительные данные и воспроизводимость ===	+
-		+
-	Правила различали системы, обученные только на предоставленных данных, и системы, использовавшие внешние изображения или аннотации. Такое разделение было необходимо, поскольку дополнительная информация могла давать преимущество, не связанное непосредственно с качеством сравниваемого алгоритма.	+
-		+
-	В поздних выпусках существовало также различие между открытыми и закрытыми заявками: для открытых заявок ожидалось содержательное раскрытие метода, тогда как закрытый формат позволял участвовать промышленным командам, не публиковавшим все технические детали.<ref name="ILSVRC2015" /> Поэтому не каждая конкурсная заявка обладала одинаковой ценностью с точки зрения воспроизводимости.	+
-		+
-	=== Семинары и публикации ===	+
-		+
-	Каждому ежегодному соревнованию соответствовал научный семинар при одной из ведущих конференций по компьютерному зрению. На нём организаторы представляли общие результаты, а авторы успешных или методически интересных систем рассказывали о своих подходах.<ref name="ILSVRC" />	+
-		+
-	Эта организация связывала количественный рейтинг с обычным научным процессом: публикацией метода, обсуждением допущений и последующей независимой проверкой. Многие конкурсные системы становились основой отдельных статей, но конкурсная заявка и научная публикация не были одним и тем же.	+
-		+
-	== Основные этапы развития ==	+
-		+
-	=== Переход от разработанных вручную признаков к обучаемым представлениям ===	+
-		+
-	В первых выпусках ILSVRC преобладали методы, основанные на заранее заданных локальных дескрипторах, кодировании визуальных слов, векторах Фишера и линейных классификаторах. Их качество зависело от того, насколько удачно исследователь спроектировал признаки и процедуру их агрегации.<ref name="Russakovsky2015" />	+
-		+
-	Переломным стал конкурс 2012 года. Система, позднее получившая название [[AlexNet]], достигла ошибки top-5 15,3 %, тогда как у второй по качеству конкурсной заявки она составляла 26,2 %.<ref name="Krizhevsky2012">{{статья	+
-	|автор = Krizhevsky A., Sutskever I., Hinton G. E.	+
-	|заглавие = ImageNet Classification with Deep Convolutional Neural Networks	+
-	|ссылка = https://proceedings.neurips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html	+
-	|язык = en	+
-	|издание = Advances in Neural Information Processing Systems	+
-	|год = 2012	+
-	|том = 25	+
-	|страницы = 1097—1105	+
-	}}</ref> Значимость этого результата состояла не только в величине улучшения. Он показал, что при наличии большого размеченного набора, достаточных вычислений и подходящей процедуры оптимизации признаки можно эффективно обучать совместно с классификатором.	+
-		+
-	=== Углубление сетей и поиск архитектурных принципов ===	+
-		+
-	После 2012 года основной вопрос изменился: вместо доказательства применимости глубоких сетей исследователи стали изучать способы увеличения их глубины, качества и вычислительной эффективности.	+
-		+
-	Результаты VGG в ILSVRC 2014 показали преимущества систематического увеличения глубины сети с небольшими свёрточными фильтрами.<ref name="Simonyan2015">{{статья	+
-	|автор = Simonyan K., Zisserman A.	+
-	|заглавие = Very Deep Convolutional Networks for Large-Scale Image Recognition	+
-	|ссылка = https://arxiv.org/abs/1409.1556	+
-	|язык = en	+
-	|издание = International Conference on Learning Representations	+
-	|год = 2015	+
-	}}</ref> В том же цикле GoogLeNet продемонстрировал, что увеличение выразительности может сочетаться с более экономным использованием вычислений; соответствующая система участвовала и в классификации, и в обнаружении объектов.<ref name="Szegedy2015">{{статья	+
-	|автор = Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A.	+
-	|заглавие = Going Deeper With Convolutions	+
-	|ссылка = https://openaccess.thecvf.com/content_cvpr_2015/html/Szegedy_Going_Deeper_With_2015_CVPR_paper.html	+
-	|язык = en	+
-	|издание = Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition	+
-	|год = 2015	+
-	|страницы = 1—9	+
-	}}</ref> Для истории конкурса VGG и GoogLeNet важны как свидетельство перехода от одной успешной архитектуры к целенаправленному исследованию принципов построения глубоких сетей.	+
-		+
-	=== Остаточное обучение и насыщение классификационного теста ===	+
-		+
-	Следующим этапом стали [[Остаточная нейронная сеть|остаточные сети]]. ResNet позволила устойчиво обучать значительно более глубокие модели и получила ошибку top-5 3,57 % в классификационном тесте ILSVRC 2015.<ref name="He2016">{{статья	+
-	|автор = He K., Zhang X., Ren S., Sun J.	+
-	|заглавие = Deep Residual Learning for Image Recognition	+
-	|ссылка = https://openaccess.thecvf.com/content_cvpr_2016/html/He_Deep_Residual_Learning_CVPR_2016_paper.html	+
-	|язык = en	+
-	|издание = Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition	+
-	|год = 2016	+
-	|страницы = 770—778	+
-	}}</ref>	+
-		+
-	Этот результат оказался ниже полученной организаторами оценки ошибки человека в специальном эксперименте по классификации. Такое сравнение часто описывалось как достижение «сверхчеловеческого» качества, но его следует понимать узко: речь шла о конкретной метрике, фиксированном наборе категорий и специальном протоколе. Оно не означало, что система превзошла человеческое зрение в целом или приобрела общее понимание изображений.<ref name="Russakovsky2015" />	+
-		+
-	По мере уменьшения классификационной ошибки различия между системами всё сильнее зависели от ансамблей, дополнительных данных, масштаба вычислений и деталей процедуры проверки. Научный интерес постепенно смещался к обнаружению, сегментации, видео, переносу между доменами, устойчивости и более сложным видам понимания сцен.	+
-		+
-	== Влияние на машинное обучение ==	+
-		+
-	=== Стандартизация крупномасштабного эксперимента ===	+
-		+
-	ILSVRC показал, насколько быстро может развиваться область при наличии общего теста, скрытой разметки и регулярного цикла сравнения. Исследователи получили возможность отделять улучшения алгоритма от различий между наборами данных и процедурами оценки.	+
-		+
-	Одновременно конкурс сделал заметной проблему [[Переобучение|переобучения]] к бенчмарку. Даже если тестовые метки скрыты, многократный выбор идей по результатам одной и той же задачи постепенно превращает тест в неявную часть исследовательского процесса. Поэтому малое улучшение на давно используемом тесте не всегда означает сопоставимое улучшение на новых данных.	+
-		+
-	=== Распространение глубокого обучения ===	+
-		+
-	Результат 2012 года стал одним из главных эмпирических аргументов в пользу [[Глубокое обучение|глубокого обучения]] в компьютерном зрении. Он связал три условия:	+
-		+
-	* большой размеченный набор данных;	+
-	* модель с высокой обучаемой ёмкостью;	+
-	* достаточные вычислительные ресурсы.	+
-		+
-	После этого свёрточные сети быстро вытеснили конвейеры с независимо проектируемыми признаками во многих задачах распознавания. Конкурс также сделал графические процессоры и распределённое обучение важной частью практики [[Машинное обучение|машинного обучения]].	+
-		+
-	=== Предварительное обучение и перенос признаков ===	+
-		+
-	Обученные на конкурсной классификации модели стали использоваться как универсальные извлекатели признаков. Сеть сначала обучалась различать множество категорий ILSVRC, а затем адаптировалась к другой задаче или меньшему набору данных. Этот подход стал одним из основных вариантов [[Перенос обучения|переноса обучения]].	+
-		+
-	R-CNN продемонстрировал эффективность такого переноса для обнаружения и семантической сегментации.<ref name="Girshick2014" /> Faster R-CNN перенёс обучение на сам механизм формирования областей интереса и объединил значительную часть вычислений детектора.<ref name="Ren2015" /> Впоследствии выражение «модель, предварительно обученная на ImageNet» стало стандартной характеристикой экспериментальной системы, хотя фактически обычно имеется в виду обучение на классификационной части ILSVRC.	+
-		+
-	=== Архитектуры как общие компоненты ===	+
-		+
-	AlexNet, VGG, GoogLeNet и ResNet вышли за пределы исходного конкурса. Их слои и обученные представления использовались в обнаружении, сегментации, анализе видео и других задачах. В этом смысле ILSVRC влиял на область не только через рейтинги: конкурс создавал условия, в которых архитектурные идеи проходили крупномасштабную и сопоставимую проверку.	+
-		+
-	== Ограничения интерпретации результатов ==	+
-		+
-	Конкурс измерял качество на конкретном распределении изображений и в рамках заранее определённой системы категорий. Поэтому высокий результат не следует автоматически переносить на произвольные изображения, новые домены или задачи, требующие рассуждений о сцене.	+
-		+
-	Основные ограничения конкурсной интерпретации включают:	+
-		+
-	* зависимость результата от состава классов и особенностей тестовых изображений;	+
-	* возможность неявного переобучения исследовательского сообщества к общему бенчмарку;	+
-	* преимущество систем с большими вычислительными ресурсами и ансамблями;	+
-	* неполное соответствие метрик практической полезности;	+
-	* отсутствие проверки многих свойств, включая устойчивость к сдвигу распределения, вмешательствам и преднамеренным искажениям;	+
-	* невозможность свести общее компьютерное зрение к классификации или локализации объектов из фиксированного словаря.	+
-		+
-	Ограничения, связанные непосредственно с происхождением изображений, разметкой категорий, смещениями и ошибками набора данных, подробнее рассматриваются в статье [[ImageNet]]. Для конкурса существенен более общий вывод: бенчмарк измеряет прогресс только в пределах своей постановки.	+
-		+
-	== Завершение конкурса и наследие ==	+
-		+
-	Последний ежегодный ILSVRC состоялся в 2017 году. Его организаторы объявили о передаче дальнейшего проведения задач на Kaggle, а сервер классификационной оценки сохранился для последующих исследований.<ref name="ILSVRC2017" /><ref name="ILSVRC" />	+
-		+
-	К этому времени ILSVRC выполнил основную историческую функцию. Крупномасштабная классификация стала стандартной задачей, глубокие свёрточные сети — основным классом моделей, а предварительное обучение на ImageNet — распространённой экспериментальной процедурой. Центр внимания переместился к более сложным наборам и задачам: обнаружению и сегментации большого числа объектов, видео, трёхмерному восприятию, мультимодальному обучению и проверке устойчивости.	+
-		+
-	Наследие конкурса состоит не в окончательном решении компьютерного зрения, а в создании успешной модели научного соревнования: общий набор задач, скрытая тестовая разметка, воспроизводимый протокол и регулярное публичное сравнение методов. Эта модель повлияла на организацию многих последующих соревнований и бенчмарков в машинном обучении.	+
-		+
-	== См. также ==	+
-		+
-	* [[ImageNet]]	+
-	* [[Компьютерное зрение]]	+
-	* [[Классификация изображений]]	+
-	* [[Обнаружение объектов]]	+
-	* [[Свёрточная нейронная сеть]]	+
-	* [[Глубокое обучение]]	+
-	* [[Перенос обучения]]	+
-	* [[PASCAL Visual Object Classes]]	+
-		+
-	== Примечания ==	+
-		+
-	<references />	+
-		+
-	== Литература ==	+
-		+
-	* {{статья	+
-	|автор = Deng J., Dong W., Socher R., Li L.-J., Li K., Fei-Fei L.	+
-	|заглавие = ImageNet: A Large-Scale Hierarchical Image Database	+
-	|ссылка = https://www.computer.org/csdl/proceedings-article/cvpr/2009/05206848/12OmNxWcH55	+
-	|язык = en	+
-	|издание = 2009 IEEE Conference on Computer Vision and Pattern Recognition	+
-	|год = 2009	+
-	|страницы = 248—255	+
-	|doi = 10.1109/CVPR.2009.5206848	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = Everingham M., Van Gool L., Williams C. K. I., Winn J., Zisserman A.	+
-	|заглавие = The Pascal Visual Object Classes (VOC) Challenge	+
-	|ссылка = https://link.springer.com/article/10.1007/s11263-009-0275-4	+
-	|язык = en	+
-	|издание = International Journal of Computer Vision	+
-	|год = 2010	+
-	|том = 88	+
-	|страницы = 303—338	+
-	|doi = 10.1007/s11263-009-0275-4	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = Krizhevsky A., Sutskever I., Hinton G. E.	+
-	|заглавие = ImageNet Classification with Deep Convolutional Neural Networks	+
-	|ссылка = https://proceedings.neurips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html	+
-	|язык = en	+
-	|издание = Advances in Neural Information Processing Systems	+
-	|год = 2012	+
-	|том = 25	+
-	|страницы = 1097—1105	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = Girshick R., Donahue J., Darrell T., Malik J.	+
-	|заглавие = Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation	+
-	|ссылка = https://openaccess.thecvf.com/content_cvpr_2014/html/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.html	+
-	|язык = en	+
-	|издание = Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition	+
-	|год = 2014	+
-	|страницы = 580—587	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A. C., Fei-Fei L.	+
-	|заглавие = ImageNet Large Scale Visual Recognition Challenge	+
-	|ссылка = https://link.springer.com/article/10.1007/s11263-015-0816-y	+
-	|язык = en	+
-	|издание = International Journal of Computer Vision	+
-	|год = 2015	+
-	|том = 115	+
-	|страницы = 211—252	+
-	|doi = 10.1007/s11263-015-0816-y	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = Simonyan K., Zisserman A.	+
-	|заглавие = Very Deep Convolutional Networks for Large-Scale Image Recognition	+
-	|ссылка = https://arxiv.org/abs/1409.1556	+
-	|язык = en	+
-	|издание = International Conference on Learning Representations	+
-	|год = 2015	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A.	+
-	|заглавие = Going Deeper With Convolutions	+
-	|ссылка = https://openaccess.thecvf.com/content_cvpr_2015/html/Szegedy_Going_Deeper_With_2015_CVPR_paper.html	+
-	|язык = en	+
-	|издание = Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition	+
-	|год = 2015	+
-	|страницы = 1—9	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = Ren S., He K., Girshick R., Sun J.	+
-	|заглавие = Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks	+
-	|ссылка = https://proceedings.neurips.cc/paper/2015/hash/14bfa6bb14875e45bba028a21ed38046-Abstract.html	+
-	|язык = en	+
-	|издание = Advances in Neural Information Processing Systems	+
-	|год = 2015	+
-	|том = 28	+
-	|страницы = 91—99	+
-	}}	+
-		+
-	* {{статья	+
-	|автор = He K., Zhang X., Ren S., Sun J.	+
-	|заглавие = Deep Residual Learning for Image Recognition	+
-	|ссылка = https://openaccess.thecvf.com/content_cvpr_2016/html/He_Deep_Residual_Learning_CVPR_2016_paper.html	+
-	|язык = en	+
-	|издание = Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition	+
-	|год = 2016	+
-	|страницы = 770—778	+
-	}}	+
-		+
-	== Ссылки ==	+
-		+
-	* {{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/	+
-	|title = ImageNet Large Scale Visual Recognition Challenge (ILSVRC)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}	+
-		+
-	* {{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/2012/	+
-	|title = ImageNet Large Scale Visual Recognition Challenge 2012 (ILSVRC2012)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}	+
-		+
-	* {{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/2015/index.php	+
-	|title = ImageNet Large Scale Visual Recognition Challenge 2015 (ILSVRC2015)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}	+
-		+
-	* {{cite web	+
-	|url = https://www.image-net.org/challenges/LSVRC/2017/	+
-	|title = ImageNet Large Scale Visual Recognition Challenge 2017 (ILSVRC2017)	+
-	|publisher = ImageNet	+
-	|language = en	+
-	|accessdate = 2026-07-19	+
-	}}	+
-		+
-	[[Категория:Компьютерное зрение]]	+
-	[[Категория:Глубокое обучение]]	+
-	[[Категория:Конкурсы анализа данных]]	+

---

Текущая версия

1. REDIRECT ImageNet