Labeled Faces in the Wild（LFW）は、顔認識のための広く使用されるベンチマークデータセットであり、ウェブから収集された5,749人の個人の13,233枚の画像で構成されている。このデータセットは、ポーズ、照明、表情、背景の変化が一般的である非制約環境での顔認識用アルゴリズムを設計するための、現実的で挑戦的なテストベッドを提供するために作成された。2007年に、トロント大学とMITコンピュータ科学・人工知能研究所の研究者によって導入された（ただし、主な開発はマサチューセッツ大学アマースト校で行われた）。このデータセットは、機械学習とコンピュータビジョンの分野における標準的な参照点となり、異なる顔検証システムの性能を比較するために頻繁に使用されている。
LFWの画像は、ニュース記事やその他のウェブソースから自動的にダウンロードされ、顔の外観の自然な分布を保証している。制御された条件下で撮影された初期のデータセットとは異なり、LFWは実世界の写真の変動性を反映している。各画像は顔を中心に配置され、人物の名前でラベル付けされており、一部の個人には複数の画像がある。LFWに関連する主なタスクは顔検証であり、2つの画像が与えられたとき、システムはそれらが同一人物を表すかどうかを判断する必要がある。このタスクは、トレーニングとテスト用の特定の画像ペアを定義する標準プロトコルを使用して評価される。
歴史と作成
LFWは、スタジオ風の条件を使用したFERETデータベースなどの既存のデータセットよりも現実的なベンチマークの必要性に応えて開発された。このデータセットは、マサチューセッツ大学アマースト校のGary B. Huang、Manu Ramesh、Tamara Berg、Erik Learned-Millerが率いるチームによって構築された。最初のバージョンは2007年にリリースされ、その後の更新でより多くの画像と洗練されたラベルが追加された。最終バージョンであるLFWには、5,749人の個人からの13,233枚の画像が含まれ、1,680人が2枚以上の異なる写真を持っている。
作成プロセスでは、顔検出器を使用して大量のニュース画像から顔を特定し、その後、手動ラベル付けで精度を確保した。この半自動アプローチにより、大規模で多様なデータセットを効率的に収集できた。研究者らはまた、テスト用の6,000組の顔ペアを含む明確な評価プロトコルを確立し、交差検証用に10分割した。このプロトコルは、異なる研究間で結果を比較可能にする上で重要な役割を果たしてきた。
データセットの構造と内容
データセットは個人ごとのフォルダに整理され、画像は一貫した命名規則に従って名前が付けられている。各画像はカラーJPEGで、通常250×250ピクセルであり、顔がほぼ中央に配置されている。画像の品質と解像度は、ウェブ由来を反映してさまざまである。各人物には、画像ファイル名と目の座標をリストした対応するテキストファイルがあり、位置合わせに使用できる。
LFWには、政治家、俳優、アスリート、その他の公人を含む多様な個人が含まれている。人物ごとの画像の分布は非常に偏っており、多くの個人は1枚の画像しか持たず、少数の個人は数十枚を持っている。この不均衡はアルゴリズムにとって現実的な課題であり、限られたデータから堅牢な特徴抽出が必要となる。データセットには、同じソースからの追加データの使用を許可する「非制約」トレーニングプロトコル用の別の画像セットも含まれている。
評価プロトコルとベンチマーク
標準のLFW評価プロトコルは、画像制約と非制約の2つの主要タスクを定義している。画像制約設定では、アルゴリズムは提供されたトレーニングペアのみを使用でき、5,400組のポジティブペアと5,400組のネガティブペアで構成される。非制約設定では、データセットからのIDラベルと追加画像の使用が許可される。性能は、10分割の平均分類精度として測定され、各分割には600組（ポジティブ300組とネガティブ300組）が含まれる。
長年にわたり、LFWは顔認識の進歩を追跡するための主要なベンチマークとなってきた。手作りの特徴を使用した初期のシステムは、約80〜90%の精度を達成した。深層学習手法、特にニューラルネットワークと畳み込みニューラルネットワークの導入により、大幅な改善がもたらされた。2014年には、FacebookのDeepFaceシステムが97.35%の精度を達成し、人間の性能に近づいた。その後のモデル、例えばGoogleのFaceNetは、99%以上の精度に達し、データセット上で人間レベルの性能を超えた。これらの進歩は、深層学習が生のピクセルから識別的特徴を抽出する力を実証した。
影響と遺産
LFWは顔認識の分野に永続的な影響を与えてきた。アルゴリズムを比較するための共通基盤を提供し、より洗練された技術の開発を促進した。このデータセットの非制約条件への重点は、実世界の変動に対する堅牢性の重要性を強調した。商用アプリケーションで使用されるものを含む多くの最先端システムは、標準的な健全性チェックとしてLFWで評価されてきた。
LFWでの深層学習の成功は、数百万の画像を含むMegaFaceやMS-Celeb-1Mなどの、より大規模で挑戦的なデータセットの作成にも影響を与えた。しかし、LFWは管理可能なサイズと明確に定義されたプロトコルにより、依然として貴重なリソースである。迅速なプロトタイピングや教育目的でよく使用される。このデータセットは研究用に自由に利用でき、そのツールとドキュメントは広く採用されている。
制限と批判
その人気にもかかわらず、LFWにはいくつかの制限がある。画像は比較的低解像度（250×250ピクセル）であり、現代の高解像度ソースを反映していない可能性がある。データセットは西洋の公人に偏っており、多様性が制限されている。さらに、検証タスクは有用ではあるが、大規模ギャラリーでの識別など、顔認識のすべての側面を捉えているわけではない。一部の研究者は、LFWでの精度が飽和しており、多くの現代システムがほぼ完璧なスコアを達成しているため、トップクラスのアルゴリズムを比較するための識別力が低下していると指摘している。
もう1つの批判は、評価プロトコルが標準化されているものの、実世界の展開シナリオを完全には表現していない可能性があることだ。例えば、ペアは事前に定義されており、極端なポーズ変化やオクルージョンなどの挑戦的なケースを含まない場合がある。その結果、研究者はより包括的な評価を得るために、IJB-AやYTFなどの他のベンチマークでLFWを補完することが多い。それでも、LFWの分野進歩における歴史的役割は議論の余地がなく、顔認識の研究における基礎的なデータセットであり続けている。
関連項目
参考文献
- Huang, G. B., Ramesh, M., Berg, T., & Learned-Miller, E. (2007). Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments. Technical Report 07-49, University of Massachusetts, Amherst.
- Taigman, Y., Yang, M., Ranzato, M., & Wolf, L. (2014). DeepFace: Closing the Gap to Human-Level Performance in Face Verification. CVPR.
- Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A Unified Embedding for Face Recognition and Clustering. CVPR.