Bygge et datasett med ansiktsbilder utenfor EU/Storbritannia med aldersprogresjonsdiversitet
Et tidsseparert ansiktsbildekorpus med 1,205 deltakere for å styrke rettferdighet og robusthet for datasynsmodeller.
Prosjektoversikt
Et globalt teknologiselskap som bygger ansiktssentrert AI for sikkerhet, personalisering og identitetsopplevelser, søkte etter et datasett utenfor EU/Storbritannia med tidsseparerte bilder for å redusere skjevheter og forbedre modellens robusthet på tvers av alder, miljø og tilbehør.
Klienten samarbeidet med Shaip for å samle inn, kuratere og validere et stort ansiktsbildekorpus der hver deltaker bidrar med nyere og eldre bilder. Målet var å kode naturlig aldersprogresjon, samtidig som man håndhever streng opprinnelse utenfor EU/Storbritannia og oppnår balanserte kjønns-/alderskvoter.
Nøkkeltall
Deltakere
1,205 (kun utenfor EU/Storbritannia, 50/50 kjønn ±10–15 %)
Aldersblanding
40 % (10–29), 40 % (30–49), 20 % (50+) ±10–15 % toleranse
Dekning
Sør-/Sørøst-Asia, Nord- og Nord-/Øst-Afrika, Singapore, Sør-Amerika
Tidslinje
19 uker
Utfordringer
Geografisk begrensning
Bruker utelukkende kilder fra befolkninger utenfor EU/Storbritannia, samtidig som bilder med reiseopprinnelse i EU/Storbritannia unngås.
Balanserte kvoter i stor skala
Treffer 1,205 deltakere med snevre kjønns- og alderstoleranser.
Tidsadskilt bevis
Sørge for at alle ID-er inneholder både nyere og historiske bilder, tilpasset aldersgrupper.
Driftskvalitet
Håndhever minimumsstørrelse for bilde/ansikt, variasjon og dupliseringsgrenser uten å redusere gjennomstrømningen.
Oppløsning
1. Landpaneler og provenienskontroller
Vi etablerte sourcing-grupper på landsnivå på tvers av målregioner og opplærte partnere i opprinnelsesregler (kun utenfor EU/Storbritannia). Bilder ble screenet for risikoer knyttet til reiseopprinnelse ved hjelp av metadata-signaler (år, stedsmarkører) pluss innsenderattestasjoner, noe som reduserte lekkasje fra EU/Storbritannia før kvalitetskontroll. Dette gjenspeiler Shaips velprøvde praksis med å forhåndslaste risikokontroller for å beskytte nedstrøms gjennomstrømning.
2. Design for fangst av aldersprogresjon
I stedet for å «be om 20 bilder», utviklet vi en todelt innsendingsprosess som veiledet deltakerne til å:
- Spor A (nylig): bilder fra de to siste årene;
- Spor B (Historisk): eldre bilder tilpasset deltakerens aldersgruppe ved innsending (f.eks. vinduer 2–10/15/20 år).
Portalen ga brukerne eksempler (innendørs/utendørs, vinkler, tilbehør) for å skape variasjon uten å overspesifisere.
3. Mangfoldsorkestrering og kvotebeskyttelse
Et sanntids kvoteoversikt overvåket registreringer etter kjønn, aldersgruppe og geografi , og satte opptaket på pause når et stratum nådde planlagte grenser. Dette forhindret omarbeiding i sen syklus og gjenspeiler Shaips standardtilnærming med stratifisert registrering + utestengelser som ble brukt i tidligere biometriske datasett for å opprettholde balansert representasjon.
4. Kvalitetsprosessen (menneskelig involvering + automatiserte forhåndskontroller)
- Automatiserte porter: ansiktsgjenkjenning + minimumsstørrelsesterskler, grunnleggende uskarphet-/støysjekker og klynging samme dag for å flagge potensielle duplikater tidlig.
- Menneskelige kvalitetssikringsnivåer: validerte anmeldere på bildenivå emneeksklusivitet (kun hoveddeltaker), scene/vinkelvariasjonog ingen forskjønningsfiltreCQA-revisorer stikkprøvekontrollerte partier før godkjenning. flerlags QA speiler Shaips publiserte biometriske dataprogrammer.
5. Samsvar og samtykke
Innmelding ≥20 år med signert samtykke; under 20 tilfeller aksepteres kun med samtykke fra foresatte. Vi registrerte samtykke i metadata og justerte sjekklister for anmeldere med felt for kvalifisering og samtykke , noe som sikret reviderbarhet.
6. Metadata og sporbarhet
Vi leverte metadata på deltaker- og bildenivå (ID-koblinger, demografi, nasjonalitet/bosted, bildeår, innsendingsdato osv.) og standardiserte feltnavn for å forenkle merking og evaluering nedover . Dette følger Shaips beste praksis for rik metadatamerking for biometriske datasett.
7. Fasevis levering til De Risk Scale
En plan med 8 grupper startet med et kalibreringssett med 10 deltakere , etterfulgt av kontrollert oppskalering. Tilbakemeldinger fra klienter etter gruppe 1 informerte om justeringer av rubrikken, deretter økte volumene i forutsigbare omganger for å nå 1,205 deltakere på ~19 uker.
Prosjektomfang
| Dimensjon | Hva vi leverte |
|---|---|
| Befolkning | 1,205 deltakere utenfor EU/Storbritannia med balanserte kjønns- og aldersgrupper. |
| Innhold | ≥20 bilder per deltaker: nyere + historiske bilder for å kode aldersprogresjon; varierte scener, vinkler og tilbehør. |
| Kvalitetsoperasjoner | Automatiserte forhåndssjekker + menneskelig flerlags kvalitetssikring (dupliseringskontroller; emneeksklusivitet; filteravvisning). |
| Samsvar | Verifisering av opprinnelse utenfor EU/Storbritannia; samtykkestyring og validering av kvalifisering. |
| metadata | Deltaker + bildeattributter for sporbarhet og nedstrøms ML-evaluering. |
| Frakt | 8 fasede batcher, startende med kalibrering og deretter stabil levering til endelig mål. |
Utfallet
- Balansert, revisjonsklart korpus: Demografiske kvoter oppfylt innenfor toleransen; Ikke-EU/Storbritannia-opprinnelse håndheves på tvers av alle bilder for kompatibel opplæring.
- Modellklar variabilitet: Tidsseparerte bilder, forskjellige miljøer/vinkler og tilbehørsdekning støtter robusthetstesting og biasanalyse.
- Operasjonell forutsigbarhet: Første utrulling av kalibrering + kvotebeskyttelse reduserte omarbeid og sikret tidslinjen til hele målet på 1,205 deltakere.
- Nedstrøms effektivitet: Rike metadata og konsekvent filhygiene forkortet veien til annotering og konstruksjon av referansepunkter, i tråd med Shaips håndbøker for biometriske datasett.
Shaip forvandlet et komplekst datasett med ansiktsuttrykk utenfor EU/Storbritannia til et balansert, revisjonsklart korpus. Deres design med aldersprogresjon og nivådelte kvalitetssikring ga CV-teamet vårt rene, mangfoldige data vi kunne stole på – uten tidsplanrisiko.
