Resumen

Aunque en esta era de Big Data ha sido más fácil construir grandes conjuntos de datos de rostros mediante la recopilación de imágenes de Internet, el proceso de anotación manual, que consume mucho tiempo, impide a los investigadores construir otros más grandes, lo que hace que la limpieza automática de etiquetas ruidosas sea muy deseable. Sin embargo, la identificación de rostros mal etiquetados por la máquina es bastante desafiante porque la diversidad de las imágenes de la cara de una persona que se capturan salvajemente en todas las edades es extraordinariamente rica. En vista de ello, proponemos un método de limpieza basado en gráficos que emplea principalmente el algoritmo de detección de comunidades y modelos CNN profundos para eliminar las imágenes mal etiquetadas. Como la diversidad de rostros se conserva en múltiples comunidades grandes, nuestros resultados de limpieza tienen tanto una alta limpieza como una rica diversidad de datos. Con nuestro método, limpiamos el amplísimo conjunto de datos de rostros MS-Celeb-1M (aproximadamente 10 millones de imágenes con etiquetas ruidosas) y obtenemos una versión limpia del mismo denominada C-MS-Celeb (6.464.018 imágenes de 94.682 celebridades). Al entrenar un modelo de red única con nuestro conjunto de datos C-MS-Celeb, sin ajuste fino, conseguimos un 99,67 t en la prueba de referencia de reconocimiento facial LFW, que es comparable a otros resultados del estado del arte. Esto demuestra los efectos positivos de la limpieza de datos en el entrenamiento del modelo. Hasta donde sabemos, nuestro C-MS-Celeb es el mayor conjunto de datos limpios de rostros que está disponible públicamente hasta ahora, lo que beneficiará a los investigadores de reconocimiento de rostros.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:etiqueta ruidosa, era de los big data, imagen, modelo cnn profundo, comunidad múltiple grande, algoritmo de detección de comunidades, diversidad de rostros, reconocimiento facial lfw, investigadores de reconocimiento facial, grandes conjuntos de datos de rostros
• Keywords:noisy label, big data era, image, deep cnn model, multiple large community, community detection algorithm, diversity of face, lfw face recognition, face recognition researchers, large face datasets