CASIA-WebFace é um conjunto de dados de reconhecimento facial em larga escala introduzido em 2014 por pesquisadores do Instituto de Automação da Academia Chinesa de Ciências. Ele contém 494.414 imagens de rostos de 10.575 identidades distintas, coletadas da web. O conjunto de dados foi criado para atender à necessidade de um recurso de treinamento público e em larga escala para modelos de reconhecimento facial, especialmente para abordagens de aprendizado profundo que exigem quantidades substanciais de dados rotulados. Ele se tornou um padrão de referência no campo da visão computacional e do aprendizado de máquina, especialmente para tarefas como verificação e identificação facial.
O conjunto de dados foi desenvolvido por Dong Yi, Zhen Lei, Shengcai Liao e Stan Z. Li, e foi lançado como uma alternativa gratuita a conjuntos de dados proprietários maiores, como o conjunto de treinamento do desafio MegaFace. Cada imagem é um rosto recortado, tipicamente alinhado a uma pose canônica, com variações de iluminação, expressão e oclusão. As identidades são diversas, abrangendo diferentes idades, etnias e origens, o que torna o conjunto de dados adequado para treinar modelos que generalizam entre populações. O CASIA-WebFace tem sido amplamente utilizado em pesquisas acadêmicas e contribuiu para avanços significativos na precisão do reconhecimento facial.
Construção e Anotação
As imagens do CASIA-WebFace foram coletadas automaticamente da web usando mecanismos de busca e depois filtradas por um pipeline semiautomático. O processo envolveu detecção facial, agrupamento e verificação manual para garantir que cada identidade contivesse imagens consistentes. O conjunto de dados final inclui 10.575 sujeitos, com uma média de cerca de 47 imagens por sujeito. As imagens são armazenadas em formato JPEG e acompanhadas de metadados que indicam o ID do sujeito. O conjunto de dados não inclui caixas delimitadoras ou pontos de referência, pois os rostos já são recortados e alinhados a um tamanho padrão de 250x250 pixels.
Impacto na Pesquisa de Reconhecimento Facial
O CASIA-WebFace foi fundamental no desenvolvimento de sistemas modernos de reconhecimento facial. Antes de seu lançamento, muitos pesquisadores dependiam de conjuntos de dados menores, como o Labeled Faces in the Wild (LFW), para avaliação, mas treinar redes neurais profundas exigia conjuntos de dados maiores. O CASIA-WebFace forneceu um volume suficiente de dados para treinar redes neurais convolucionais (CNNs) de forma eficaz. Ele foi usado para treinar modelos como FaceNet, SphereFace e CosFace, que alcançaram desempenho de ponta no LFW e em outros benchmarks. O conjunto de dados também permitiu a exploração de funções de perda como perda de tripleto e perdas de margem angular, que melhoraram a discriminação entre identidades.
Limitações e Considerações Éticas
Apesar de sua utilidade, o CASIA-WebFace tem limitações. As imagens são coletadas de fontes públicas da web sem consentimento explícito dos indivíduos retratados, levantando preocupações de privacidade e ética. O conjunto de dados pode conter vieses em termos de representação demográfica, pois o processo de raspagem da web pode super-representar certas etnias ou faixas etárias. Além disso, a filtragem automática pode introduzir ruído de rótulo, onde algumas imagens são incorretamente atribuídas a identidades. Pesquisadores notaram esses problemas e pediram conjuntos de dados mais eticamente obtidos. Em resposta, alguns conjuntos de dados mais recentes foram criados com consentimento explícito ou geração de dados sintéticos.
Uso em Modelos de Aprendizado Profundo
O CASIA-WebFace é comumente usado como conjunto de treinamento para modelos de aprendizado profundo em reconhecimento facial. O pipeline típico envolve o pré-processamento das imagens (por exemplo, normalização, aumento de dados) e, em seguida, o treinamento de uma CNN com uma camada de classificação que gera probabilidades de identidade. Após o treinamento, a camada de classificação é removida, e as ativações da penúltima camada servem como embeddings faciais. Esses embeddings são então usados para tarefas de verificação ou identificação. O conjunto de dados também é usado para aprendizado por transferência, onde modelos pré-treinados no CASIA-WebFace são ajustados em conjuntos de dados menores e específicos de domínio. Seu tamanho e diversidade o tornam uma escolha prática para pesquisadores com recursos computacionais limitados, pois pode ser processado em uma única GPU em poucos dias.
Legado e Alternativas
Desde seu lançamento, o CASIA-WebFace foi superado por conjuntos de dados maiores, como MS-Celeb-1M, VGGFace2 e WebFace260M. No entanto, ele continua sendo uma escolha popular para benchmarking e para pesquisadores que exigem um tamanho de conjunto de dados gerenciável. O conjunto de dados também foi usado em competições e como linha de base em muitos artigos. Sua influência se estende além do reconhecimento facial para a pesquisa geral de visão computacional, onde serve como exemplo de coleta e anotação de dados em larga escala. Em 2025, o CASIA-WebFace ainda é acessível para uso acadêmico, embora os pesquisadores sejam incentivados a considerar implicações éticas e usar conjuntos de dados mais novos e obtidos de forma responsável quando possível.