为什么要聊到数据集这个话题..因为数据集的noise对训练效果的影响很大！很长一段时间MegaFace的效果都上不去，就是因为数据集噪声的原因。而且自己在训练人脸的时候，如果不对数据集的噪声和属性有一点了解，对训练结果可能会有误判，甚至越训练越差…在选择数据集的时候不要一味求大，有的时候选择一个noise比例极高的大数据集，效果还不如选择一个clean的小数据集呢，可以参见这篇论文The Devil of Face Recognition is in the Noise
LFW
全名是Labeled Faces in the Wild.这个数据集是人脸评估一定会用到的一个数据集，包含了来自1680的13000张人脸图，数据是从网上搜索来的。基本都是正脸。这个数据集也是最简单的，基本主流算法都能跑到99%以上，貌似有6对label错了，所以最高正确率应该是99.9%左右。这个都跑不到99%的话别的数据集表现效果会更差。一般来说这个数据集是用来做人脸识别验证的。
下载链接：LFW Face Database : Main
CelebFaces
总共包含10177个人的202599张图片，也是从搜索引擎上爬过来的,噪声不算多，适合作为训练集。同时这个数据对人脸有一些二元标签，比如是否微笑，是否戴帽子等。如果需要特定属性的人脸，也可以从中获取。40个属性如下（引用自芯尚刃：CelebA数据集详细介绍及其属性提取源代码 ）：
- 5_o_Clock_Shadow：刚长出的双颊胡须
- Arched_Eyebrows：柳叶眉
- Attractive：吸引人的
- Bags_Under_Eyes：眼袋
- Bald：秃头
- Bangs：刘海
- Big_Lips：大嘴唇
- Big_Nose：大鼻子
- Black_Hair：黑发
- Blond_Hair：金发
- Blurry：模糊的
- Brown_Hair：棕发
- Bushy_Eyebrows：浓眉
- Chubby：圆胖的
- Double_Chin：双下巴
- Eyeglasses：眼镜
- Goatee：山羊胡子
- Gray_Hair：灰发或白发
- Heavy_Makeup：浓妆
- High_Cheekbones：高颧骨
- Male：男性
- Mouth_Slightly_Open：微微张开嘴巴
- Mustache：胡子，髭
- Narrow_Eyes：细长的眼睛
- No_Beard：无胡子
- Oval_Face：椭圆形的脸
- Pale_Skin：苍白的皮肤
- Pointy_Nose：尖鼻子
- Receding_Hairline：发际线后移
- Rosy_Cheeks：红润的双颊
- Sideburns：连鬓胡子
- Smiling：微笑
- Straight_Hair：直发
- Wavy_Hair：卷发
- Wearing_Earrings：戴着耳环
- Wearing_Hat：戴着帽子
- Wearing_Lipstick：涂了唇膏
- Wearing_Necklace：戴着项链
- Wearing_Necktie：戴着领带
- Young：年轻人
这些标签的属性在下载文件中的list_attr_celeba.txt中,在使用的时候，由于它不每一列都分开的，而是所有属性按一列来读取，所以在使用的时候，注意使用line.split()进行切分。（不是line.split(" "）,因为每个属性不全都是按一个空格隔开的，有的时候是用两个空格隔开的，自己在这里踩过坑所以就记录一下..
下载链接：Large-scale CelebFaces Attributes (CelebA) Dataset
CFP
这个数据集由500个identity的约共7000张图片组成，这个数据集的特别之处在于对于每个人，它有10张正面图像和4张侧面图像，这对于想要做侧脸识别的同学还是很有帮助的。我也写了一篇关于侧脸识别的博文：https://zhuanlan.zhihu.com/p/61304192 有兴趣的可以看一看
下载链接： http://www.cfpw.io/cfp-dataset.zip
VGG-Face
来自2622个人的2百万张图片。每个人大概要2000+图片，跟MS-Celeb-1M有很多重叠的地方（因为都是从搜索引擎来的），这个数据集经常作为训练模型的数据，噪声比较小，相对来说能训练出比较好的结果。
下载链接：VGG Face Dataset
CASIA-WebFace
该数据集是从IMBb网站上搜集来的，含10K个人的500K张图片。同时做了相似度聚类来去掉一部分噪声。CAISA-WebFace的数据集源和IMDb-Face是一样的，不过因为数据清洗的原因，会比IMDb-Face少一些图片。噪声不算特别多，适合作为训练数据。
下载链接：https://drive.google.com/file/d/1Of_EVz-yHV7QVWQGihYfvtny9Ne8qXVz/view
MS-Celeb-1M
100K人的共100M图片，来自搜索引擎。这个数据集非常大，没有清洗过，噪声很大，很难。我用未经过清洗的MS-Celeb-1M训练google facenet和Insightface的accuracy都比较低。
下载链接：MS-Celeb-1M: Challenge of Recognizing One Million Celebrities in the Real World – Microsoft Research
然而没有被请洗过的MS1M数据集噪声太大，所以其实更推荐使用iBUG清洗过的数据集（以下链接来自insightface团队）：
https://pan.baidu.com/s/1nxmSCch
MegaFace
672K人的4.7M张图片，做过一些清洗，不过依然有噪声，不同人的图片可能混到了一起。相比来说噪声可能比MS-Celeb-1M小一点，但还是挺大的..这个数据集是由两个数据集组合而来：Facescrub和FGNet，所以如果你要使用多个数据集，注意有没有重合哦！
下载链接： MegaFace
各个数据集的scale和噪声比例见下图（来自论文the devil of face recognition is in the Noise）。这篇论文也有提到清洗数据的噪声能够有效提升训练表现，所以大家自己在做人脸相关的检测时也要心中有数，除了可以优化算法，优化数据集也是一种方向。
还有一些数据集陆陆续续地补充上去~
人脸识别指标
虽然跑库的时候我们一般还是看Accuracy或者Recall，不过其实实际应用的时候更多的是会用TAR(True Accept Rate)和FAR(False Accept Rate)。
这个指标的意思是我们拿一对不同的人的照片去测试的时候，如果两个人的特征向量之差超过了设定的阈值（也就是把这两个人认成了同一个人）的次数比上所有不同的人的pairs的对比次数。也就是把不同的人识别成同一个人的概率啦。当然是越小越好
那么TAR则是表示正确接受的比例。就是同一个人的照片被判别为同一个人的概率。
一般我们会计算的是在FAR为多少（比如
）的情况下TAR为多少
参考文献:
The Devil of Face Recognition is in the Noise
deepinsight/insightface
https://blog.csdn.net/liuweiyuxiang/article/details/81259492
支付宝扫一扫
微信扫一扫
