MS-Celeb-1M ist ein groß angelegter Gesichtserkennungsdatensatz, der 2016 von Microsoft eingeführt wurde. Er enthält etwa 10 Millionen Bilder von 100.000 Prominenten, wobei jede Identität ungefähr 100 Bilder umfasst. Der Datensatz wurde entwickelt, um die Forschung in der Gesichtserkennung zu unterstützen und sich insbesondere mit den Herausforderungen der groß angelegten Identifikation und Verifikation zu befassen. Er wurde weithin als Benchmark zur Bewertung von Gesichtserkennungsalgorithmen verwendet, insbesondere im Kontext des Deep Learning.
Der Datensatz wurde erstellt, indem automatisch Bilder aus dem Web mithilfe von Suchmaschinen gesammelt und anschließend Gesichtserkennungs- und Ausrichtungstechniken angewendet wurden, um Gesichter zu extrahieren. Die Identitäten entsprechen Prominenten und bieten eine Vielfalt an Posen, Ausdrücken, Beleuchtungen und Verdeckungen. MS-Celeb-1M umfasst sowohl Trainings- als auch Testsplits, wobei der Testsatz 1.000 Identitäten enthält, die nicht im Trainingssatz enthalten sind, wodurch die Bewertung der Generalisierung ermöglicht wird.
Konstruktion und Annotation
Die Konstruktion von MS-Celeb-1M umfasste mehrere Schritte. Zuerst wurde eine Liste von 100.000 Prominentennamen aus verschiedenen Quellen zusammengestellt, einschließlich Wikipedia und Unterhaltungsdatenbanken. Für jeden Namen wurden Bilder von Suchmaschinen wie Bing und Google abgerufen. Die Gesichtserkennung wurde mit einem kommerziellen Gesichtsdetektor durchgeführt, und die erkannten Gesichter wurden auf eine kanonische Pose ausgerichtet. Die Bilder wurden dann manuell verifiziert, um sicherzustellen, dass sie der richtigen Identität entsprechen, mit einem abschließenden Bereinigungs-Schritt zur Entfernung von Duplikaten und qualitativ minderwertigen Bildern.
Die Annotation war hauptsächlich automatisiert, aber menschliche Annotatoren wurden verwendet, um die Identitätslabels eines Teils der Daten zu überprüfen. Der Datensatz bietet Begrenzungsrahmen (Bounding Boxes) und Gesichtsmarkierungen für jedes Gesicht, die Aufgaben wie Gesichtsalignement und Cropping unterstützen. Der endgültige Datensatz enthält 10 Millionen Bilder, wobei jede Identität durchschnittlich 100 Bilder aufweist, obwohl die Verteilung langgestreckt ist (Long-Tailed) mit einigen Identitäten, die deutlich mehr Bilder haben als andere.
Einfluss auf die Gesichtserkennungsforschung
MS-Celeb-1M hat einen erheblichen Einfluss auf das Gebiet der Gesichtserkennung gehabt. Es bot eine groß angelegte Trainingsressource, die die Entwicklung von Deep-Learning-Modellen mit verbesserter Genauigkeit ermöglichte. Vor seiner Veröffentlichung waren Gesichtserkennungsdatensätze relativ klein, was die Kapazität von neuronalen Netzwerk begrenzte. Die Dimension von MS-Celeb-1M ermöglichte es Forschenden, tiefe faltende neuronale Netze (CNNs) mit Millionen von Parametern zu trainieren und führte zu Durchbrüchen in der Genauigkeit auf Benchmarks wie LFW (Labeled Faces in the Wild).
Der Datensatz führte auch die Herausforderung der großzunehmenden Gesichtsidentifikation ein, bei der die Galerie-Größe bis zu einer Million Identitäten betragen kann. Dies motivierte die Forschung zu effizienten Indexierungs- und Abrufmethoden sowie zu Verlustfunktionen für den Open-Set-Erkennungsmodus. Viele fortschrittliche Gesichtserkennungssysteme, einschließlich solcher, die auf ResNet-Architekturen und margenbasierte Verluste wie ArcFace basern, wurden auf MS-Celeb-1M trainiert oder geprüft.
Herausforderungen und Kontroversen
Trotz seines Erfolgs steht MS-Celeb-1M vor weiteren Herausforderungen und Kontroversen. Ein Hauptproblem ist die Existenz von Vorurteilen (Bias), da der Datensatz überwiegend aus Prominenten aus westlichen Ländern besteht, was zu einer Unterrepräsentation anderer Ethnien und Geschlechter führt. Dies kann zu Gesichtserkennungssystemen führen, die bei unterrepräsentierten Gruppen schlecht abschneiden und ethische Bedenken hinsichtlich Fairness und Bias aufwirft.
Eine andere Heikeligkeit betrifft den Privatsphäre und Einwilligung. Die Bilder wurden ohne ausdrückliche Einwilligung der Personen aus dem Web gescrapt, wobei viele wichtige öffentliche Persönlichkeiten sind, aber dennoch Rechte an ihrer Abbildung haben. In der 2019 nahm Microsoft den Datensatz von öffentlichem Zugriff, mit Hinweis auf Bedenken zur Privatsphäre und potenziellem Missbrauch. Diese führten Diskussion über den ethischen Einsatz von großsentierten Web-Scraping-Datensätzen in der KI-Forschung.
Vermächtnis und Alternativen
Trotz seiner Entfernung hinterlässt MS-Celeb-1M ein dauerhaftes Vermächtnis. Viele abgeleitete Datensätze, wie MS1MV2 und MS1MV3, wurden durch die Bereinigung und Neokommentierung der ursprünglichen Daten erstellt, und mobilen weiterhin in der Forschung verwendet. Der Datensatz inspirierte auch die Schaffung anderer groß angelegter Gesichtsdaten, wie VGGFace2 und WebFace260M, die darauf abzielen, einige der Einschränkungen von MS-Celeb-1M, einschließlich Diversität und Konsens, zu behandeln.
Im breiteren Kontext des maschinellen Lernens zeigt MS-Celeb-1M den Trend zu groß angelegten Datensätzen für das Training von Deep-Learning-Modellen. Daten auch die Bedeutung von ethischen Überlegungen in der Erstellung von Datensätzen, die zu einem Hauptthema in der Generativen KI- und Deep-Learning-Community entwickelt hat. Forschende suchen nun häufig nach Datensätzen mit ordnungsgem Kontakt und ausgewogener Repräsentation, Sicherer und es mehrere Initiativen zur Erstellung ethischerer und ethischerer Benchmarks gibt.