L’IA pour tousApprendre l’ère de l’intelligence avec un meilleur jugement.

Votre progression: 0 terminé

Plus

Glossaire Ma carte CompteRéponses rapides Choisir mon parcours Histoire de l’IA Sources À propos de cette plateforme

Vous êtes ici

Mouvement actuelS’orienter

Clarifier un terme, examiner des preuves ou situer une idée.

À faire maintenantLire contribution, contexte et limites

Votre guide

Fei-Fei Li

Votre mouvement d’apprentissage

S’orienterClarifier un terme, une source, une personne ou un événement.

Pourquoi cette page existe

Les pages de référence soutiennent l’apprentissage sans vous obliger à abandonner votre question ou parcours.

Ce que vous en retirerez

Li a dirigé avec des collaborateurs la création d’ImageNet, contribuant à faire des vastes jeux de données partagés et des benchmarks des éléments centraux du progrès en vision par ordinateur.

Avant de commencer

Utilisez ces pages seules ou revenez à l’objet qui vous y a conduit.

Faites ceci maintenant

Trouvez le fait ou la relation nécessaire, puis revenez à votre objectif.

À faire maintenantLire contribution, contexte et limitesLe plan indique le résultat, le temps, les prérequis, l’action immédiate et la suite préparée.Autre parcours valableExaminer les SourcesVoir la provenance, la revue et les limites des preuves.

Compte

Profil · vision et données

Fei-Fei Li

ImageNet, apprentissage visuel et IA centrée sur l'humain

Plan pour cette page

Comprendre pourquoi cette personne ou institution compte sans transformer l’histoire en panthéon.

Vous repartirez avec: Ses travaux mettent en lumière l’infrastructure de l’IA : les catégories, les images, les étiquettes, les règles d’évaluation et les institutions façonnent ce que les modèles apprennent et ce que le domaine considère comme un progrès.
Temps: 8–15 min
Avant de commencer: Aucun prérequis. Lisez le profil comme un contexte pour des idées, pas comme une biographie complète.
Faites ceci maintenant: Commencez par le résumé, puis reliez une contribution à un débat ou une limite.

Étape suivante préparéeExplorer les jeux de données

Fei-Fei LiSes travaux mettent en lumière l’infrastructure de l’IA : les catégories, les images, les étiquettes, les règles d’évaluation et les institutions façonnent ce que les modèles apprennent et ce que le domaine considère comme un progrès.

Elle a dirigé le projet et le défi ImageNet avec une vaste équipe, créant un jeu d’images partagé et un cadre d’évaluation d’une ampleur inédite.
Elle a fait progresser la reconnaissance d’objets, la compréhension de scènes et l’apprentissage visuel, ainsi que, plus tard, la robotique, la santé et l’intelligence spatiale.
Elle a cofondé Stanford HAI et AI4ALL.
Elle a participé à des travaux ultérieurs visant à étudier et à réduire les problèmes de confidentialité et de représentation dans ImageNet.

Contributions

Ce que ce travail a apporté

Elle a dirigé le projet et le défi ImageNet avec une vaste équipe, créant un jeu d’images partagé et un cadre d’évaluation d’une ampleur inédite.

Elle a fait progresser la reconnaissance d’objets, la compréhension de scènes et l’apprentissage visuel, ainsi que, plus tard, la robotique, la santé et l’intelligence spatiale.

Elle a cofondé Stanford HAI et AI4ALL.

Elle a participé à des travaux ultérieurs visant à étudier et à réduire les problèmes de confidentialité et de représentation dans ImageNet.

ImageNet a organisé des millions d’images du Web selon une hiérarchie issue de WordNet. Son échelle et son défi annuel ont permis de comparer des systèmes et ont contribué à l’avancée de 2012 des réseaux convolutifs profonds en classification d’images.

Le projet montre aussi qu’un jeu de données est un artefact conçu. Les choix de catégories, la collecte sur le Web, le travail d’annotation, le consentement, les étiquettes et les benchmarks portent des hypothèses. Les suppressions ultérieures, les travaux de rééquilibrage et le masquage de visages font partie de cette histoire, et non de simples notes de bas de page.

Contexte, limites et débats

Un profil n’est pas un panthéon

ImageNet était un projet collectif ; les progrès après 2012 dépendaient aussi des architectures, des processeurs graphiques (GPU), des méthodes d’optimisation, des pratiques d’ingénierie et de nombreux groupes de recherche.
Un bon score à un benchmark ne prouve pas une perception robuste dans tous les contextes réels ; le décalage de distribution et la conception des catégories comptent.
Les grands jeux d’images tirés du Web soulèvent des questions de consentement, de vie privée, de catégories offensantes et de représentation inégale. Une IA centrée sur l’humain exige une gouvernance et des preuves, pas seulement un énoncé de mission.

Explorer les jeux de données

Sources et périmètre

Ce qui soutient cet objet

Fei-Fei Li's ProfileStanford University

Profil officiel à jour décrivant les recherches de Li, son rôle dans ImageNet, Stanford HAI et World Labs ; des formulations telles qu’« inventrice » relèvent d’une attribution institutionnelle et ne doivent pas effacer les collaborateurs du projet.

Ouvrir la source

ImageNet: A Large-Scale Hierarchical Image DatabaseStanford Vision Lab / IEEE CVPR

Article principal de 2009 de Jia Deng, Wei Dong, Richard Socher, Li-Jia Li, Kai Li et Li Fei-Fei, qui décrit la hiérarchie, l’échelle et la construction du jeu de données.

Ouvrir la source

About Stanford HAIStanford Institute for Human-Centered Artificial Intelligence

Présentation officielle de l’institut et du rôle de Li comme directrice fondatrice ; sa mission centrée sur l’humain est un programme institutionnel normatif, et non une preuve que les IA déployées sont centrées sur l’humain.

Ouvrir la source

A Study of Face Obfuscation in ImageNetJournal of Machine Learning Research

Étude principale des risques pour la vie privée et du masquage de visages dans ImageNet, utile pour comprendre les remédiations ultérieures plutôt que de considérer la ressource d’origine comme fixe ou sans problème.

Ouvrir la source

Loading page content...

…