編者按：作為目前人工智能界著名的獨角獸，商湯科技在圖像處理和人臉識別技術領域處在世界前沿的位置。近日，該公司在arXiv上發表論文The Devil of Face Recognition is in the Noise，從圖像數據角度為人臉識別準確率的提高提出了建議。

在進行人臉識別的任務時，數據集是其中的關鍵。從早期的FERET數據集到最近的LFW、MegaFace和MS-Celeb-1M，數據集在新技術的發展上有著不可或缺的作用。這些數據集不僅僅提供了更加豐富的資源，而且數據規模也有了非常大的提高例如，MS-Celeb-1M包含大約1000萬張圖片，其中有10萬個人物，遠遠超過只有14126張圖像、1199個人的FERET數據集。大型數據集，再加上深度學習技術，讓人臉識別在這幾年取得了巨大的成功。

然而，大型數據集不可避免地會受到標簽噪聲的影響。這一問題很普遍，因為經過良好標注的大型數據集得來的成本非常高昂，所以這也促使科學家們尋找便宜但并不完美的替代方法。一種常見的方法是根據人名在網絡上查找他們的照片，再用自動或半自動方法對標簽進行清理。另外還有些方法會在社交網站上手機照片。上述方法都是擴大訓練樣本的簡便方法，但同時也會帶來標簽噪聲，給訓練和模型帶來負面效果。圖1就是含有標簽噪聲的一些樣本：

圖1

可以看到，MegaFace和MS-Celeb-1M都含有相當多的錯誤標簽，有些噪聲標簽可以輕易消除，但是大部分想要消除還是很困難的。在MegaFace中還有很多重復的圖像（最后一行）。

所以，本文的首要目標是探究標簽噪聲的來源，以及在深度卷積神經網絡中，這些噪聲會給人臉識別造成何種后果。我們主要考慮的問題有：想要達到清理數據的目的，需要多少噪聲樣本？噪聲和最終的模型性能之間有何種關系？標注人臉的最佳策略是什么？對這些問題的理解將有助于我們設計更好的數據收集和清理方法，同時防止在訓練過程中造成危險，以形成能應對現實問題的強大算法。

其次，本文的第二目標是為社區建立一個干凈的人臉識別數據集。該數據集能幫助研究人員訓練更好的模型，并且進一步了解噪聲和人臉識別性能之間的關系。

現存數據有多少噪音？

這一部分中我們會介紹幾種流行的數據集，之后會分析他們各自的信噪比。目前用于人臉識別研究的數據集大致如下表所示：

了解各數據集所含數據后，我們想大概估計每個數據集中的噪聲分布。但由于數據集體積過大，想計算確切的數字不那么容易，所以我們隨機選擇了數據集的子集，然后手動將它們分為三個類別：“正確識別”、“待定”和“錯誤識別”。

從各數據集中抽取一部分數據后，大概情況如圖2a所示：

圖2a

可以看出，數據規模越大，信噪比越大。

之后，我們又對兩個最大的數據集——MS-Celeb-1M和MegaFace進行噪聲分布分析。我們首先根據圖片數量對數據集中人物進行分類，最終生成了6個類別，通過下圖可以看出每個類別的信噪比。

可以看出，大多數目標只有很少的圖像與之對應，這一情況在MegaFace上更明顯，因為它是用自動方法收集的數據。與MS-Celeb-1M相比，MegaFace的噪聲似乎更少，但是我們發現在MegaFace干凈的數據集中，有很多重復圖像。

打造自己的清潔數據集

通過分析我們得出，一個含有超過一百萬張圖片的數據集，信噪比通常高達30%。為了創建一個干凈的數據集，我們不僅在收集人臉數據時找尋更干凈、更多樣的來源，更重要的是找到一種高效的數據標記方法。

從IMDb中搜集人臉圖像

被大家廣泛使用的ImageNet是直接從谷歌圖片中搜索來圖像的，其他數據集也大多如此，但這樣做的壞處是存在數據偏見。從圖3中我們可以看出，從搜索引擎中搜到的圖片背景都很簡單，光線充足，大都是圖片的前景。而在實際的視頻中，人臉圖像并沒有這么清晰。另外，從搜索引擎中得到的圖片通常查全率很低，經過研究我們發現，在200張照片中，平均查全率只有40%。

圖3

在這項研究中，我們從IMDb網站搜集圖像，因為該網站結構化程度更高，每個人物的照片種類也比較多，包括官方照片、生活照、電影劇照等等。另外，這里的查全率更高達90%。最終我們收集了170萬張名人的照片，其中有5900位明星。

標記處理

我們對數據進行了清洗，但是清洗的方法有以下三種：

第一種，志愿者們在圖片中圈出目標人物；第二步，在三個候選圖像中，志愿者們要選擇對應目標圖像的那張圖片；第三步，直接進行判斷，Yes or No。

最終，三種方法的ROC曲線如圖：

可以看到第一種方法的F1分數最高，誤報率不超過10%。第三種方法的效果最差。另外，我們還發現一個有趣的現象，即當志愿者標注的時間越長，標注的準確性越高。

實驗過程

實驗分為四個部分。首先，我們在提出的數據集上添加模擬噪聲，進行控制變量研究。這有助于我們觀察在由噪音的情況下性能的下降。

之后，我們會在兩個現有數據集上進一步實驗，探索噪音的影響。

第三，將我們的數據集和其他傳統數據集進行對比，驗證其有效性。

最后，將在我們數據集上訓練的模型和其他模型進行對比。最終結果如下表：

我們的模型IMDb-Face得到了目前的最高分數。

結語

與目前流行的專注于復雜損失和CNN結構的研究不同，我們從數據的角度來研究人臉識別問題，尤其是對標記噪聲的來源有了一定認識。最終我們新建的IMDb-Face數據集也成為了打造大型干凈數據集的重要基礎。