【人脸识别】WebFace260M: A Benchmark Unveiling the Power of Million-Scale Deep Face Recognition（CVPR2021） 【论文链接】https://arxiv.org/abs/2103.04098 【作者团队】Zheng Zhu, Guan Huang, Jiankang Deng, Yun Ye, Junjie Huang, Xinze Chen, Jiagang Zhu, Tian Yang, Jiwen Lu, Dalong Du, Jie Zhou 【机构】清华大学，芯翌科技，伦敦帝国理工学院 【项目地址】https://www.face-benchmark.org/ 【发表时间】2021/03/09 【推荐理由】 本文提出了一个新的用于人脸识别的百万级数据集，已开放下载，文章被CVPR2021接收。 在本文中，作者提出了一个新的百万级人脸数据集，其中包含噪声的4M身份/2.6亿个人脸数据（WebFace260M）和干净的2M身份/ 42M人脸（WebFace42M）训练数据，以及精心设计的受时间限制的评估协议。首先，作者收集4M名单，并从互联网上下载2.6亿张人脸图片。然后，设计了一种自动利用自我训练（CAST）的自动清洗管道来净化巨大的WebFace260M，它高效且可扩展。清理过的WebFace42M是最大的公众人脸识别训练集，我们希望缩小学术界和行业之间的数据鸿沟。参照实际场景，作者构造了在推理时间约束下的人脸识别（FRUITS）协议和测试集，以全面评估人脸匹配器。 有了这个基准，作者就研究了百万级的人脸识别问题。开发了分布式框架以有效地训练人脸识别模型而不会影响性能。在WebFace42M的支持下，文章将具有挑战性的IJB-C数据集的失败率降低了40％，在NIST-FRVT的430个条目中排名第三。与公共训练集相比，即使10％的数据（WebFace4M）也显示出优异的性能。此外，作者在FRUITS-100ms / 500ms / 1000ms协议下的丰富属性测试集上建立了全面的基线，包括MobileNet，EfficientNet，AttentionNet，ResNet，SENet，ResNeXt和RegNet系列。

内容中包含的图片若涉及版权问题，请及时与我们联系删除