ILSVRC（ImageNet Large Scale Visual Recognition Challenge）是近年來機器視覺領域最受追捧也是最具權威的學術競賽之一，代表了影象領域的最高水平。

ImageNet資料集是ILSVRC競賽使用的是資料集，由斯坦福大學李飛飛教授主導，包含了超過1400萬張全尺寸的有標記圖片。ILSVRC比賽會每年從ImageNet資料集中抽出部分樣本，以2012年為例，比賽的訓練集包含1281167張圖片，驗證集包含50000張圖片，測試集為100000張圖片。

ILSVRC競賽的專案主要包括以下幾個問題：

（1）影象分類與目標定位（CLS-LOC）

影象分類的任務是要判斷圖片中物體在1000個分類中所屬的類別，主要採用top-5錯誤率

2012年之前，影象分類最好的成績是26%的錯誤率，2012年AlexNet的出現降低了10個百分點，錯誤率降到16%。2016年，公安部第三研究所選派的“搜神”（Trimps-Soushen）代表隊在這一專案中獲得冠軍，將成績提高到僅有2.9%的錯誤率。

目標定位是在分類的基礎上，從圖片中標識出目標物體所在的位置，用方框框定，以錯誤率作為評判標準。目標定位的難度在於影象分類問題可以有5次嘗試機會，而在目標定位問題上，每一次都需要框定的非常準確。

目標定位專案在2015年ResNet從上一年的最好成績25%的錯誤率提高到了9%。2016年，公安部第三研究所選派的“搜神”（Trimps-Soushen）代表隊的錯誤率僅為7%。

（2）目標檢測（DET）

目標檢測是在定位的基礎上更進一步，在圖片中同時檢測並定位多個類別的物體。具體來說，是要在每一張測試圖片中找到屬於200個類別中的所有物體，如人、勺子、水杯等。評判方式是看模型在每一個單獨類別中的識別準確率，在多數類別中都獲得最高準確率的隊伍獲勝。平均檢出率mean AP（mean Average Precision）也是重要指標，一般來說，平均檢出率最高的隊伍也會多數的獨立類別中獲勝，2016年這一成績達到了66.2。

（3）視訊目標檢測（VID）

視訊目標檢測是要檢測出視訊每一幀中包含的多個類別的物體，與圖片目標檢測任務類似。要檢測的目標物體有30個類別，是目標檢測200個類別的子集。此專案的最大難度在於要求演算法的檢測效率非常高。評判方式是在獨立類別識別最準確的隊伍獲勝。

2016年南京資訊工程大學隊伍在這一專案上獲得了冠軍，他們提供的兩個模型分別在10個類別中勝出，並且達到了平均檢出率超過80%的好成績。

（4）場景分類（Scene）

場景分類是識別圖片中的場景，比如森林、劇場、會議室、商店等。也可以說，場景分類要識別影象中的背景。這個專案由MIT Places團隊組織，使用Places2資料集，包括400個場景的超過1000萬張圖片。評判標準與影象分類相同（top-5），5次猜測中有一次命中即可，最後統計錯誤率。

2016年最佳成績的錯誤率僅為9%。

場景分類問題中還有一個子問題是場景分割，是將圖片劃分成不同的區域，比如天空、道路、人、桌子等。該專案由MIT CSAIL視覺組織，使用ADE20K資料集，包含2萬張圖片，150個標註類別，如天空、玻璃、人、車、床等。這個專案會同時評估畫素及準確率和分類IOU（Intersection of Union）