WebFace260M：一个揭示百万级深度人脸识别能力的基准数据集

本文提出一个全新的百万级人脸基准数据集，包含噪声数据400万身份/2.6亿张人脸（WebFace260M）和经过清洗的200万身份/4200万张人脸（WebFace42M）训练数据，以及一个精心设计的时间约束评估协议。首先，我们收集了400万个人名列表，并从互联网上下载了2.6亿张人脸图像。随后，我们设计了一种基于自训练的自动化清洗（Cleaning Automatically utilizing Self-Training, CAST）流程，高效且可扩展地对庞大的WebFace260M数据集进行净化处理。据我们所知，清洗后的WebFace42M是目前规模最大的公开人脸识别训练数据集，有望缩小学术界与工业界在数据资源上的差距。针对实际应用场景，我们构建了“推理时间约束下的人脸识别”（Face Recognition Under Inference Time conStraint, FRUITS）评估协议及配套测试集，以全面评估各类人脸匹配算法的性能。依托该基准，我们深入研究了百万级规模下的人脸识别问题。为此，我们开发了一种分布式训练框架，能够在不损害模型性能的前提下高效训练人脸识别模型。基于WebFace42M数据集，我们在具有挑战性的IJB-C数据集上将相对失败率降低了40%，并在NIST-FRVT评测中以430个参赛条目中的第三名成绩位列前茅。即使仅使用10%的数据（WebFace4M），其性能也优于现有的公开训练数据集。此外，我们在FRUITS-100ms/500ms/1000ms多时间约束协议下，针对丰富的属性测试集建立了全面的基线模型，涵盖MobileNet、EfficientNet、AttentionNet、ResNet、SENet、ResNeXt和RegNet等多个网络家族。基准数据集官网：https://www.face-benchmark.org