Ліцензування готових зображень обличчя та відеоданих
Готові набори даних для розпізнавання облич для навчання моделей штучного інтелекту
Використання етично отриманих, демографічно різноманітних наборів даних для пришвидшення навчання моделей штучного інтелекту та зменшення упередженості для провідного світового технологічного конгломерату.
Огляд проекту
Клієнт прагнув пришвидшити розробку розпізнавання облич на основі штучного інтелекту без тривалих та дорогих циклів збору даних. Для досягнення цієї мети їм потрібні були готові до використання набори даних, які були б не лише великими та різноманітними , але й етично отриманими та відповідали б глобальним правилам конфіденційності даних.
Shaip надав комплексні набори даних із контрольованими варіаціями освітлення, поз голови, оклюзій та емоцій, що дозволило моделям клієнта досягти як точності, так і об'єктивності, водночас дотримуючись необхідних етнічних та демографічних критеріїв. Кожен набір даних містив детальні метадані, анотації поз та обмежувальні рамки для розпізнавання емоцій, що дозволяло навчати та тестувати моделі в дуже різноманітних реальних сценаріях.
Основна статистика
7,000+ предметів
в історичному наборі даних із понад 300 000 зображень та 2,000 відео.
10,000+ предметів
у наборі даних про багатокутові емоції.
Зображення 74,880
в освітленні
Набір даних варіацій.
Зображення 18,600
охоплюючи шість
основні емоції.
Обсяг проекту
Клієнту потрібні були масштабні, етично отримані та демографічно різноманітні набори даних зображень і відео облич для підтримки розробки та навчання моделей розпізнавання облич. Ці набори даних були важливими для розробки сценаріїв використання в системах захисту від спуфінгу, перевірки особи, зіставлення зображень та аналізу виразів обличчя , забезпечуючи надійну та неупереджену роботу штучного інтелекту в реальних застосунках.
Обсяг залучення включав:
- Постачання кураторські набори даних розроблений для задоволення потреб розпізнавання облич, таких як захист від спуфінгу, перевірка особи та розпізнавання виразів обличчя.
- Забезпечення зображення та відео з детальними анотаціями за демографічними даними, позою голови, оклюзіями, типом освітлення та емоціями.
- забезпечення збалансоване демографічне охоплення зменшити системну упередженість у навчанні.
- Гарантування відповідність та згода з глобальними стандартами захисту даних та конфіденційності.
Зразки внесків до набору даних:
- Набір історичних даних (~7,000 об'єктів): понад 300 000 зображень та 2,000 відео з варіаціями поз та оклюзії.
- Набір даних про багатокутні емоції (~10 000 об’єктів): 15–20 зображень на об’єкт зйомки з різних ракурсів та емоційних станів.
- Набір даних «Шість емоцій» (~3,100 суб'єктів): 18 600 анотованих зображень, що охоплюють основні людські вирази обличчя.
- Набір даних про зміни освітлення (~468 об’єктів): 74 880 зображень за дев’яти умов освітлення.
Виклики
Проєкт вирішував ключові проблеми, поширені під час створення надійних моделей штучного інтелекту:
Зміщення в моделях ШІ
Запобігання надмірному представництву певних етнічних груп або статей для забезпечення справедливості.
Мінливість у реальному світі
Захоплення умов освітлення, кутів обличчя, оклюзій та природних виразів обличчя.
Масштаб і якість
Надання сотень тисяч зображень високої роздільної здатності без шкоди для різноманітності.
Відповідність нормативам
Дотримання суворих глобальних вимог щодо конфіденційності та захисту даних за повної згоди учасників.
Рішення
Shaip впровадив структурований підхід для забезпечення якості та релевантності набору даних:
- Кураторські збалансовані набори даних з широким етнічним, гендерним та віковим представництвом.
- Захоплений різнокутні пози та варіації освітлення відтворити реальні умови.
- Доданий детальні анотації (наприклад, поза голови, перекриття, емоції) для покращення зручності використання набору даних.
- Встановлено суворий робочі процеси контролю якості та відповідності гарантувати етичне постачання та дотримання конфіденційності.
Портфоліо наборів даних
| Набір даних | Об'єм | Демографія / Різноманітність | Стандарти / Специфікації |
|---|---|---|---|
| Набір історичних зображень обличчя та відеоданих (~7,000 суб'єктів) | 7,000 зображень реєстрації; понад 300 000 історичних зображень; 2,000 відео (1 з приміщення + 1 зовні на кожні 1,000 учасників дослідження) | Етнічна приналежність: чорношкірі (35%), східноазіати (42%), південноазіати (13%), білі (10%); Стать: 50% чоловіки / 50% жінки; Вік: дорослі 18+ (останні 10 років) | Тривалість відео: 1–2 хв; Варіація пози голови (P1–P7); 5 типів оклюзії (O0–O4) |
| Набір даних зображень обличчя (~5,000 суб'єктів) | 35 зображень на об'єкт; 2,500 індійців; 1,000 азіатів; 1,500 чорношкірих | Вік: 18–60 років; Збалансований розподіл за статтю | Без прикрас; Різноманітний фон та одяг; Мінімальна роздільна здатність: 960×1280 |
| Набір даних про емоції з різних кутів зору (~10 000 суб'єктів – китайці) | 15–20 зображень на об'єкт; Пози: спереду, зліва, справа (30°–60°); Вирази обличчя: посмішка, відкритий рот, сумний, серйозний, нейтральний | Етнічна приналежність: китаєць; вік: 18–26 років; стать: 50/50 | Роздільна здатність: 2160×3840 пікселів або вище |
| Набір даних про шість людських емоцій (~3,100 суб'єктів) | 6 зображень на об'єкт (різні вирази обличчя); всього 18 600 зображень | Етнічна приналежність: японці (9,000), корейці (2,400), китайці (2,400), вихідці з Південно-Східної Азії (2,400), вихідці з Південної Азії (2,400); Вік: 20–65 років | Анотації обмежувальної рамки для емоцій; Однотонний фон; Без капелюхів, окулярів чи перешкод |
| Набір даних про варіації освітлення (~468 індійських суб'єктів) | 160 зображень на об'єкт; Всього: 74 880 зображень | Вік: 20–70 років; 70% чоловіків | 9 умов освітлення (в приміщенні, на вулиці, бічне світло, підсвічування, неонове освітлення тощо) |
| Багатоетнічний набір даних зображень обличчя (~600 суб'єктів) | Всього 3,752 зображень | Етнічна приналежність: африканська, близькосхідна, корінна американка, південноазіатська, південно-східноазіатська; вік: 20–70 років | - |
Результат
Співпраця мала значний діловий та технічний вплив:
- Покращена точність моделіПідвищена точність і частота відтворення моделей розпізнавання облич у різних випадках використання.
- Зменшення зміщенняЗбалансоване демографічне представництво зменшило системну упередженість у результатах ШІ.
- Прискорені терміни розробкиГотові набори даних дозволили швидке створення прототипів та навчання моделей без тривалого збору даних.
- Відповідність нормативамУсі набори даних відповідали глобальним стандартам конфіденційності та містили згоду учасників.
Різноманітні набори даних Shaip, отримані з етичних джерел, забезпечили нам необхідну швидкість, якість та відповідність вимогам. Завдяки готовим до використання даним ми прискорили навчання моделей штучного інтелекту та значно зменшили системну упередженість.
