CelebA, kurz für CelebFaces Attributes Dataset, ist ein großflächiger Gesichtsdatensatz, der 2015 von Forschern der Chinesischen Universität Hongkong eingeführt wurde. Er enthält 202.599 Gesichtsbilder von 10.177 einzigartigen Prominenten-Identitäten, wobei jedes Bild mit 40 binären Attributlabels wie „Lächeln“, „Brille“, „Männlich“ und „Jung“ annotiert ist. Der Datensatz wurde erstellt, um Forschung in den Bereichen Gesichtsattributerkennung, Gesichtserkennung und Gesichtsgenerierung zu unterstützen, und hat sich als Standard-Benchmark in den Bereichen maschinelles Lernen und tiefes Lernen etabliert.
Die Bilder in CelebA stammen aus im Internet gesammelten Prominentenfotos, die dann auf einen zentrierten Gesichtsbereich ausgerichtet und zugeschnitten wurden. Die Annotationen wurden durch eine Kombination aus automatischer Kennzeichnung und menschlicher Überprüfung erstellt, was eine hohe Konsistenz über die 40 Attribute hinweg gewährleistet. Der Datensatz ist in drei Partitionen aufgeteilt: 162.770 Bilder für das Training, 19.867 für die Validierung und 19.962 für das Testen, eine Standardaufteilung, die reproduzierbare Vergleiche zwischen verschiedenen Modellen erleichtert.
Attributvorhersage und -erkennung
CelebA wird am häufigsten für Aufgaben der Attributvorhersage verwendet, bei denen ein Modell eines oder mehrere der 40 binären Attribute aus einem Gesichtsbild klassifizieren muss. Diese Aufgabe hat Fortschritte in neuronalen Netzwerk-Architekturen vorangetrieben, insbesondere bei faltenden neuronalen Netzwerken (CNNs), die hohe Genauigkeit auf dem Benchmark erreicht haben. Der Datensatz unterstützt auch Multi-Task-Lernen, bei dem ein einzelnes Modell alle Attribute gleichzeitig vorhersagt, ein gängiger Ansatz in modernen Gesichtsanalysesystemen. Forscher verwenden CelebA oft, um die Generalisierung über verschiedene demografische Gruppen hinweg zu bewerten, da die Prominenten-Identitäten eine breite Palette von Altersgruppen, Ethnien und Gesichtsausdrücken abdecken.
Gesichtsgenerierung und -synthese
Über die Klassifikation hinaus ist CelebA zu einem grundlegenden Datensatz für generative Modelle geworden. Er wird häufig verwendet, um generative adversariale Netzwerke (GANs) und variationale Autoencoder (VAEs) zu trainieren, um realistische synthetische Gesichter zu erzeugen. Die Attributlabels des Datensatzes ermöglichen bedingte Generierung, bei der ein Modell ein Gesicht mit spezifischen Merkmalen erzeugen kann, wie das Hinzufügen eines Lächelns oder das Ändern der Haarfarbe. Diese Fähigkeit war entscheidend für die Weiterentwicklung von generativer KI-Techniken, einschließlich Stilübertragung und Gesichtsbearbeitung. Viele frühe GAN-Publikationen, einschließlich jener zu progressivem Wachstum und stilbasierten Architekturen, verwendeten CelebA als primären Evaluierungsdatensatz.
Benchmarking und Evaluierung
CelebA dient als Standard-Benchmark für den Vergleich der Leistung verschiedener künstlicher Intelligenz-Modelle. Seine Größe und reichhaltigen Annotationen ermöglichen rigorose Tests von Algorithmen in Gesichtserkennung, Landmarken-Erkennung und Attributbearbeitung. Der Datensatz wird oft mit Metriken wie Klassifikationsgenauigkeit, F1-Score und Fréchet-Inception-Distanz (FID) für generierte Bilder gepaart. Aufgrund seiner weit verbreiteten Adoption sind Ergebnisse auf CelebA direkt über Studien hinweg vergleichbar, was ihn zu einem De-facto-Standard in der Computer-Vision-Gemeinschaft macht. Der Datensatz wurde auch verwendet, um Fairness und Verzerrungen in Gesichtsanalysesystemen zu untersuchen, da die Attributlabels demografische Disparitäten in der Modellleistung aufdecken können.
Technische Details und Zugang
Der Datensatz wird als Satz von ausgerichteten und zugeschnittenen Bildern verteilt, jeweils 178x218 Pixel, zusammen mit einer Textdatei, die die Attributannotationen auflistet. Die ursprüngliche Veröffentlichung enthält auch Landmarkenpositionen für jedes Gesicht, obwohl diese in modernen Anwendungen weniger häufig verwendet werden. CelebA ist öffentlich für akademische Forschung verfügbar, und seine Beliebtheit hat zur Integration in große Frameworks wie PyTorch und TensorFlow geführt, die integrierte Datenlader für den Datensatz bereitstellen. Die Ersteller des Datensatzes haben auch einen Begleitdatensatz, CelebA-HQ, veröffentlicht, der höher aufgelöste Versionen der Bilder (bis zu 1024x1024) für Aufgaben bereitstellt, die feinere Details erfordern.
Auswirkungen und Einschränkungen
CelebA hat einen bedeutenden Einfluss auf die Entwicklung von Gesichtsanalysetechnologien gehabt und beeinflusst alles von Social-Media-Filtern bis zu Sicherheitssystemen. Es hat jedoch auch bekannte Einschränkungen. Der Datensatz ist auf Prominentengesichter verzerrt, die möglicherweise nicht die allgemeine Bevölkerung repräsentieren, und die binären Attributlabels können komplexe Gesichtsmerkmale vereinfachen. Darüber hinaus sind die Bilder relativ niedrig aufgelöst, was die Leistung bei Aufgaben, die feinkörnige Details erfordern, einschränken kann. Trotz dieser Probleme bleibt CelebA eine weit verbreitete Ressource, und sein Design hat nachfolgende Datensätze wie FFHQ und VGGFace2 inspiriert. Ab 2025 bleibt es ein Standardreferenzpunkt für die Bewertung neuer Methoden in der gesichtsbezogenen Tiefenlern-Forschung.