ImageNet
由斯坦福大学李飞飞团队构建的大规模视觉数据集，包含超过1400万张标注图像和1000个类别，催生了2012年AlexNet突破，是深度学习计算机视觉领域的标志性基准
核心事实
时间轴 (近 90 天)
主流基准数据集（如ImageNet、COCO）以自然场景和现代物体为主，模型在这些数据上表现优异，却难以泛化到纹理复杂、光照不均、标注稀缺的文化遗产图像。
UTA在视觉任务上使ResNet50和ViT-B在ImageNet上的表现也有提升。
SPOOK实验在ImageNet和Flickr30k数据集上评估了OpenCLIP和DINOv3模型。
开源框架PyTorch和MONAI以及预训练权重ImageNet、RadImageNet可用于节省黑客松中的训练时间。
Inception V1（GoogLeNet）是2014年ImageNet竞赛的冠军网络，引入了Inception模块和1×1卷积降维，深度约22层。
Inception V1 是 Google 于 2014 年提出的经典卷积网络，因在 ImageNet 上取得突破且结构紧凑，长期是可解释性研究的「果蝇」模型；其 conv5-1 层有 480 个通道，被 Olah 等人用特征可视化系统研究过。
只训练分类头（冻结全部 backbone）适合样本量在几百到几千级别、且类别与 ImageNet 语义相近的场景，但模型对域偏移的适应能力几乎为零。
MFlow在ImageNet、UCF-101视频以及大规模文本到图像生成任务上评估，结果显示在多种设置下都能取得有竞争力或更优的生成性能。
作者通过在不同架构（如全连接网络、卷积网络、残差网络）和数据集（如MNIST、CIFAR-10、ImageNet子集）上的实证研究发现训练过程会持续扩展射线覆盖范围，尤其是在雅可比奇异值较小的方向上。
Guo 等人 2017 年发现深度模型在 ImageNet 上平均置信度远高于实际准确率，temperature scaling 是一种简单有效的后处理校准修正方法。
还有 37 条时间轴事件
全部知识事实 (20)
2012年AlexNet在ImageNet大规模视觉识别挑战赛（ILSVRC）中以超出第二名近11个百分点的优势夺冠，将Top-5错误率从26%降至15.3%
90%已验证AlexNet在ImageNet竞赛中夺冠正式开启了深度学习时代
90%已验证深度学习在2012年ImageNet竞赛中取得突破性表现，推动连接主义复兴
85%已验证ImageNet数据集包含超过1400万张人工标注图片
80%已验证迁移学习策略以ImageNet预训练权重为基础，在农业专用数据集上进行微调，可以用较少的训练数据获得较高的识别精度
80%已验证2012年，Hinton团队的AlexNet在ImageNet竞赛中以压倒性优势夺冠
80%已验证传统的AI评价标准往往聚焦于模型参数量、推理速度或基准测试得分
65%待验证The choice of pretraining (ImageNet-1K vs ImageNet-21K, supervised vs self-supervised like MAE/DINO) significantly impacts downstream performance, potentially causing several percentage points of difference
80%待验证AlexNet由Krizhevsky、Sutskever与Hinton提出，并于2012年在ImageNet大规模视觉识别挑战赛(ILSVRC)上夺冠
70%待验证ImageNet的构建依赖Amazon Mechanical Turk众包平台上来自167个国家的近5万名标注者，总计耗费约2200万美元
60%待验证主流基准数据集（如ImageNet、COCO）以自然场景和现代物体为主，模型在这些数据上表现优异，却难以泛化到纹理复杂、光照不均、标注稀缺的文化遗产图像。
50%待验证UTA在视觉任务上使ResNet50和ViT-B在ImageNet上的表现也有提升。
50%待验证SPOOK实验在ImageNet和Flickr30k数据集上评估了OpenCLIP和DINOv3模型。
50%待验证开源框架PyTorch和MONAI以及预训练权重ImageNet、RadImageNet可用于节省黑客松中的训练时间。
50%待验证Inception V1（GoogLeNet）是2014年ImageNet竞赛的冠军网络，引入了Inception模块和1×1卷积降维，深度约22层。
50%待验证Inception V1 是 Google 于 2014 年提出的经典卷积网络，因在 ImageNet 上取得突破且结构紧凑，长期是可解释性研究的「果蝇」模型；其 conv5-1 层有 480 个通道，被 Olah 等人用特征可视化系统研究过。
50%待验证只训练分类头（冻结全部 backbone）适合样本量在几百到几千级别、且类别与 ImageNet 语义相近的场景，但模型对域偏移的适应能力几乎为零。
50%待验证MFlow在ImageNet、UCF-101视频以及大规模文本到图像生成任务上评估，结果显示在多种设置下都能取得有竞争力或更优的生成性能。
50%待验证作者通过在不同架构（如全连接网络、卷积网络、残差网络）和数据集（如MNIST、CIFAR-10、ImageNet子集）上的实证研究发现训练过程会持续扩展射线覆盖范围，尤其是在雅可比奇异值较小的方向上。
50%待验证Guo 等人 2017 年发现深度模型在 ImageNet 上平均置信度远高于实际准确率，temperature scaling 是一种简单有效的后处理校准修正方法。
50%