第一个图像数据库是ImageNet，由斯坦福大学的计算机科学家李飞飞推出。ImageNet是一个大型的可视化数据库，旨在推动计算机视觉领域的研究。这个数据库包含了数以百万计的手工标记的图像，涵盖了数千个不同的类别。

基于ImageNet数据库，每年都会举办一场大规模的视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge，简称ILSVRC）。这场比赛吸引了全球的人工智能学者和从业者参与，共同竞争、交流最新的计算机视觉技术。ILSVRC的目标是使用ImageNet数据库中的图像来训练和测试算法，以实现对物体和场景的准确识别。

ILSVRC比赛对于推动计算机视觉技术的发展具有重要意义。它不仅为研究者提供了一个标准的评估平台，还促进了深度学习等先进技术在图像识别领域的应用。通过这场比赛，人们不断刷新图像识别的准确率，推动了人工智能技术的进步。

ImageNet数据库和ILSVRC比赛为计算机视觉领域的发展注入了强大的动力，对于推动人工智能技术的进步具有重要意义。

这个数据库，开始只有320万个图像，他们准备将8万个英语名词，都配上500-1000个高清图像，将数据库的规模，扩大到千万级。

在2012年的ILSVRC（ImageNet Large Scale Visual Recognition Challenge）比赛中，Geoffrey Hinton和他的学生Alex Krizhevsky取得了显著的成绩。他们使用深度学习技术构建了一个名为AlexNet的卷积神经网络，以超过第二名10个百分点的成绩（83.6%的Top5精度）赢得了比赛。这一成绩在当时引起了极大的关注，也标志着深度学习在计算机视觉领域的崛起。

关于错误率低于人类的时间点，需要明确的是，ILSVRC比赛主要关注的是在给定图像数据库中训练模型以识别图像中的物体和场景的能力。因此，错误率低于人类并不是一个固定的里程碑，而是随着技术的进步而逐渐实现的。

在ILSVRC比赛的历史中，随着时间的推移和深度学习技术的不断发展，错误率逐渐降低。特别是在2015年，Microsoft的ResNet以3.6%的错误率赢得了比赛，这一成绩已经超越了人类在相同任务上的表现。然而，请注意，这并不是说机器在所有计算机视觉任务上都已经超越了人类，而是在特定的数据集和任务上取得了突破。

总的来说，Hinton和他的团队在2012年的ILSVRC比赛中取得了重大突破，为深度学习在计算机视觉领域的应用奠定了基础。随着技术的不断进步和发展，我们期待未来能够实现更多超越人类的成就。