颜水成：计算机视觉竞赛有很长的历史，PASCAL VOC进行了八年，ImageNet也是八年。每个比赛都承载了大家对技术发展的期望，同时大家也会逐渐发现这些数据库的局限性。

2005-2012年，PASCAL VOC非常火，但是只有二十类，2010年开始的ImageNet有一千类，于是研究者逐步转向ImageNet。

ImageNet数据库现在最大的挑战是，在分类中每一个图像中只标注了一个主要的物体，所以ImageNet主要是做单个物体的分类和定位。这不符合现实世界图像的分布特点，存在局限性，这是ImageNet结束比赛的一个重要原因。但是ILSVRC比赛里面的物体检测这个任务，本身还没有终结，后面还会也应该继续下去。

我们需要像某些多标签的多媒体数据集那样的数据集，更符合真实图像的情况。

新智元：多label的数据集，现在有哪些？

颜水成：比较大的有来自新加坡国立大学的NUS-WIDE。但是label也不多，只有81个。

新智元：ImageNet为什么是单label？

颜水成：工作量的问题，多label意味着每个图像对多个label要做校验。但是单label只需要判断yes or no。

假如是个一千个label的多标签数据集，你的校验就是一千倍，否则依然会存在错误。

新智元：未来计算机视觉的竞赛还应该往哪方面发展呢？

颜水成：在我个人看来，图像的竞赛还是像素级别的分类更好。如果图像分割做好了，无论做任何类型图像理解或语义理解的问题都好办了。

ImageNet去年有Scene Parsing任务，但遗憾的是今年没继续。如果将来把图像分割作为核心任务，再做任何其它任务就好办多了。

真正好的分割是全景的分割。所谓全景分割，就是对每一个像素都有一个标注。这样比ImageNet检测和分类的任务难很多，标注量也非常大。

希望在合适的时间点有大公司或NPO来做这样的事情。现在有新的数据集做语义级别分析或者局部关联分析，但这些数据库存在内在的局限性，最终还是要做像素级别。

DPN摘下最后的“皇冠”，本质是ResNet和DenseNet思想的结合

“ResNet可以解释成是DenseNet的一个特例。但是DPN还暂时无法被解释成是DenseNet的特例。原因是...”

新智元：本届比赛中，你所在团队使用了DPN技术，这种技术除了用于像ImageNet中“图像识别”、“图像检测”和“图像分割”这三大任务，是否适合用其他任务或者应用上？

颜水成：计算机视觉领域的基础模型至关重要，如AlexNet, NIN, GoogleNet, VGG, ResNet, 以及这次的DPN。不仅仅限于这三大任务，只要计算机视觉相关的并且用深度学习的都可受益于这些基础模型。

新智元：论文中说ResNet是DenseNet的一个特例，而DPN结合了两种模型的思想，DPN是否也是一种DenseNet的特例呢？

颜水成：这个问题非常有意思。ResNet可解释成是DenseNet的一个特例。但是DPN还暂时无法被解释成是DenseNet的特例。原因是，把ResNet当成DenseNet特例的时候，两者是有错位的。

ResNet的block和DenseNet的block不是对齐的，而是错位对应的。把ResNet和DenseNet融合在一起的话，它们错位了。我和CHEN Yunpeng都仔细分析过，无法把新的DPN再解释成是原来的DenseNet的结构。

其内在的合理性我们用三角形来做个类比，DenseNet可以看成等边直角三角形，ResNet是其中一个方向的特例。如果合适地拼接，可以组成另一个等边三角形，但也可能拼接成一个正方形。DPN属于后者，由于错位拼接，最后的模型不再是DenseNet。

下一个ImageNet：根本上还是需要有一个像素级标注的数据集

“涉及到语义，ground-truth往往不reliable，很多标注达不成共识，这让研究的难度增加很多。”

新智元：ImageNet已经告别，现在涌现了 Visual Genome、Web Vision这样的结合语义和知识的图像数据集，您认为是否意味着语义和知识的理解是下一个趋势？视觉和自然语言处理是否会殊途同归？