CASIA-WebFace est un ensemble de données de reconnaissance faciale à grande échelle introduit en 2014 par des chercheurs de l'Institut d'automatisation de l'Académie chinoise des sciences. Il contient 494 414 images de visages de 10 575 identités distinctes, collectées sur le web. Cet ensemble de données a été créé pour répondre au besoin d'une ressource d'entraînement publique et à grande échelle pour les modèles de reconnaissance faciale, en particulier pour les approches d'apprentissage profond qui nécessitent des quantités substantielles de données étiquetées. Il est devenu une référence standard dans le domaine de la vision par ordinateur et de l'apprentissage automatique, notamment pour des tâches telles que la vérification et l'identification faciale.
L'ensemble de données a été développé par Dong Yi, Zhen Lei, Shengcai Liao et Stan Z. Li, et a été publié comme une alternative gratuite aux ensembles de données propriétaires plus vastes, comme l'ensemble d'entraînement du défi MegaFace. Chaque image est un visage recadré, généralement aligné sur une pose canonique, avec des variations d'éclairage, d'expression et d'occlusion. Les identités sont diverses, couvrant différents âges, ethnies et origines, ce qui rend l'ensemble de données adapté à l'entraînement de modèles qui généralisent à travers les populations. CASIA-WebFace a été largement utilisé dans la recherche académique et a contribué à des avancées significatives en matière de précision de la reconnaissance faciale.
Construction et annotation
Les images de CASIA-WebFace ont été automatiquement collectées sur le web à l'aide de moteurs de recherche, puis filtrées via un pipeline semi-automatique. Le processus impliquait la détection de visages, le regroupement et la vérification manuelle pour garantir que chaque identité contenait des images cohérentes. L'ensemble de données final comprend 10 575 sujets, avec une moyenne d'environ 47 images par sujet. Les images sont stockées au format JPEG et sont accompagnées de métadonnées indiquant l'identifiant du sujet. L'ensemble de données ne comprend pas de boîtes englobantes ni de points de repère, car les visages sont déjà recadrés et alignés à une taille standard de 250x250 pixels.
Impact sur la recherche en reconnaissance faciale
CASIA-WebFace a joué un rôle déterminant dans le développement des systèmes modernes de reconnaissance faciale. Avant sa publication, de nombreux chercheurs s'appuyaient sur des ensembles de données plus petits comme Labeled Faces in the Wild (LFW) pour l'évaluation, mais l'entraînement de réseaux neuronaux profonds nécessitait des ensembles de données plus vastes. CASIA-WebFace a fourni un volume de données suffisant pour entraîner efficacement des réseaux de neurones convolutifs (CNN). Il a été utilisé pour entraîner des modèles tels que FaceNet, SphereFace et CosFace, qui ont atteint des performances de pointe sur LFW et d'autres références. L'ensemble de données a également permis d'explorer des fonctions de perte comme la perte triplet et les pertes de marge angulaire, qui ont amélioré la discrimination entre les identités.
Limites et considérations éthiques
Malgré son utilité, CASIA-WebFace présente des limites. Les images sont collectées à partir de sources web publiques sans consentement explicite des personnes représentées, ce qui soulève des préoccupations en matière de confidentialité et d'éthique. L'ensemble de données peut contenir des biais en termes de représentation démographique, car le processus de collecte sur le web peut surreprésenter certaines ethnies ou tranches d'âge. De plus, le filtrage automatique peut introduire du bruit dans les étiquettes, où certaines images sont incorrectement attribuées à des identités. Les chercheurs ont noté ces problèmes et ont appelé à des ensembles de données plus éthiques. En réponse, certains ensembles de données plus récents ont été créés avec un consentement explicite ou une génération de données synthétiques.
Utilisation dans les modèles d'apprentissage profond
CASIA-WebFace est couramment utilisé comme ensemble d'entraînement pour les modèles d'apprentissage profond en reconnaissance faciale. Le pipeline typique implique le prétraitement des images (par exemple, normalisation, augmentation des données), puis l'entraînement d'un CNN avec une couche de classification qui produit des probabilités d'identité. Après l'entraînement, la couche de classification est supprimée, et les activations de l'avant-dernière couche servent d'embeddings faciaux. Ces embeddings sont ensuite utilisés pour des tâches de vérification ou d'identification. L'ensemble de données est également utilisé pour l'apprentissage par transfert, où des modèles pré-entraînés sur CASIA-WebFace sont affinés sur des ensembles de données plus petits et spécifiques à un domaine. Sa taille et sa diversité en font un choix pratique pour les chercheurs disposant de ressources computationnelles limitées, car il peut être traité sur un seul GPU en quelques jours.
Héritage et alternatives
Depuis sa publication, CASIA-WebFace a été supplanté par des ensembles de données plus vastes tels que MS-Celeb-1M, VGGFace2 et WebFace260M. Cependant, il reste un choix populaire pour l'évaluation comparative et pour les chercheurs qui nécessitent une taille d'ensemble de données gérable. L'ensemble de données a également été utilisé dans des compétitions et comme référence dans de nombreux articles. Son influence s'étend au-delà de la reconnaissance faciale à la recherche générale en vision par ordinateur, où il sert d'exemple de collecte et d'annotation de données à grande échelle. En 2025, CASIA-WebFace est toujours accessible pour un usage académique, bien que les chercheurs soient encouragés à considérer les implications éthiques et à utiliser des ensembles de données plus récents et plus responsables lorsque cela est possible.