VGGFace2 ist ein groß angelegter Datensatz zur Gesichtserkennung, der von der Visual Geometry Group an der Universität Oxford entwickelt wurde. Er enthält über 3,31 Millionen Bilder von mehr als 9.000 Identitäten und ist damit einer der am weitesten verbreiteten Benchmarks für das Training und die Bewertung tiefer neuronaler Netze bei Gesichtserkennungsaufgaben. Der Datensatz wurde 2017 eingeführt und ist seitdem zu einer Standardressource im Bereich der Computer Vision und des Deep Learning geworden.
Der Datensatz wurde erstellt, um die Einschränkungen früherer Gesichtsdatensätze wie LFW und MegaFace zu beheben, indem er eine größere und vielfältigere Bildmenge mit Variationen in Pose, Alter, Beleuchtung und Ethnizität bietet. Die Bilder von VGGFace2 stammen aus der Google-Bildersuche und sind nicht auf Prominentengesichter beschränkt, was die Vielfalt der Identitäten erhöht. Jede Identität hat durchschnittlich 362 Bilder, mit mindestens 80 und höchstens 843 Bildern pro Person.
Datenerfassung und Annotation
Der Erfassungsprozess umfasste automatisiertes Web-Scraping, gefolgt von manueller Filterung, um die Genauigkeit zu gewährleisten. Der Datensatz enthält sowohl Trainings- als auch Testaufteilungen, wobei der Testsatz 500 Identitäten umfasst, die nicht im Trainingssatz enthalten sind. Die Annotationen umfassen Identitätslabels, Begrenzungsrahmen für Gesichter und wichtige Gesichtslandmarken. Der Datensatz wurde unter einer Forschungs-only-Lizenz veröffentlicht, und seine Nutzung erfordert die Zustimmung zu Bedingungen, die eine kommerzielle Weiterverbreitung untersagen.
Architektur und Trainingsnutzung
VGGFace2 wird hauptsächlich zum Training von Faltungsneuronalen Netzen (CNNs) für die Gesichtserkennung verwendet. Das Basismodell, oft als VGGFace2-Netzwerk bezeichnet, ist ein tiefes CNN mit einer ResNet-50- oder ResNet-50-ähnlichen Architektur, das mit einem Softmax-Verlust mit großem Rand trainiert wird. Der Trainingsprozess verwendet typischerweise Datenanreicherungstechniken wie zufälliges Zuschneiden, horizontales Spiegeln und Farbveränderung, um die Generalisierung zu verbessern. Der Datensatz war maßgeblich daran beteiligt, Spitzenergebnisse bei Benchmarks wie der MegaFace-Herausforderung und dem IJB-C-Protokoll zu erzielen.
Auswirkungen auf die Gesichtserkennungsforschung
VGGFace2 hat das Gebiet der Gesichtserkennung erheblich vorangebracht, indem es einen groß angelegten, vielfältigen Datensatz bereitstellt, der das Training von Modellen mit hoher Genauigkeit über verschiedene Demografien hinweg ermöglicht. Er wurde in zahlreichen Forschungsarbeiten und kommerziellen Systemen verwendet, einschließlich solcher von Unternehmen wie Google DeepMind und Samsung Research. Das Design des Datensatzes hat nachfolgende Datensätze wie MS-Celeb-1M und WebFace260M beeinflusst, die darauf abzielen, die Anzahl der Identitäten und Bilder weiter zu skalieren.
Einschränkungen und ethische Überlegungen
Trotz seiner Nützlichkeit hat VGGFace2 Einschränkungen. Die Bilder werden ohne ausdrückliche Zustimmung der Personen aus dem Web gesammelt, was Datenschutzbedenken aufwirft. Der Datensatz weist auch Verzerrungen auf, da die Verteilung der Identitäten möglicherweise nicht die globale Demografie vollständig repräsentiert, was zu Leistungsunterschieden zwischen verschiedenen ethnischen Gruppen führen kann. Forscher haben zu ethischeren Datensätzen und einer sorgfältigen Bewertung von Gesichtserkennungssystemen aufgerufen, um Verzerrungen zu mildern.
Verwandte Arbeiten und Erweiterungen
Die Visual Geometry Group hat auch VGGFace, einen früheren und kleineren Datensatz, veröffentlicht und vortrainierte Modelle für beide bereitgestellt. Erweiterungen von VGGFace2 umfassen den VGGFace2-HQ-Datensatz, der hochauflösende Versionen der Bilder enthält. Der Datensatz wird häufig in Verbindung mit anderen Ressourcen wie der Residual Network-Architektur und Batch Normalization-Techniken verwendet, um die Trainingsstabilität und Leistung zu verbessern.
Siehe auch
- Gesichtserkennung
- Faltungsneuronales Netz
- Visual Geometry Group
- MegaFace
- IJB-C