Bygga en datauppsättning för ansiktsbilder utanför EU/Storbritannien med mångfald i åldersutveckling
En tidsseparerad ansiktsbildkorpus med 1 205 deltagare för att stärka rättvisa och robusthet för datorseendemodeller.
Projektöversikt
Ett globalt teknikföretag som utvecklar ansiktscentrerad AI för säkerhet, personalisering och identitetsupplevelser sökte en datauppsättning utanför EU/Storbritannien med tidsseparerade foton för att minska partiskhet och förbättra modellernas motståndskraft över ålder, miljö och tillbehör.
Kunden samarbetade med Shaip för att samla in, kurera och validera en stor samling ansiktsbilder där varje deltagare bidrar med nya och äldre foton. Målet var att koda naturlig åldersutveckling samtidigt som strikt icke-EU/brittiskt ursprung tillämpades och balanserade köns-/ålderskvoter uppnåddes.
Nyckelstatistik
Deltagare
1 205 (Endast utanför EU/Storbritannien, 50/50 kön ±10–15 %)
Åldersblandning
40 % (10–29), 40 % (30–49), 20 % (50+) ±10–15 % tolerans
Rapportering
Syd-/Sydostasien, Nord- och Nord-/Östafrika, Singapore, Sydamerika
tidslinje
19 veckor
Utmaningar
Geografisk begränsning
Använder uteslutande inköp från befolkningsgrupper utanför EU/Storbritannien och undviker bilder med reseursprung i EU/Storbritannien.
Balanserade kvoter i stor skala
Nådde 1 205 deltagare med snäva köns- och ålderstoleranser.
Tidsseparerade bevis
Säkerställa att varje ID-handling innehåller både nya och historiska foton, anpassade till åldersintervall.
Operativ kvalitet
Tillämpar minsta bild-/ansiktsstorlek, variation och dupliceringsgränser utan att sakta ner dataflödet.
Lösning
1. Landspaneler och provenienskontroller
Vi etablerade sourcing-poddar på landsnivå i våra målregioner och utbildade partners i proveniensregler (endast utanför EU/Storbritannien). Foton granskades för reserelaterade ursprungsrisker med hjälp av metadata (år, platsmarkörer) plus insändarbekräftelser, vilket minskade läckage från EU/Storbritannien före kvalitetskontroll. Detta speglar Shaips beprövade praxis att i förväg ladda riskkontroller för att skydda nedströms genomströmning.
2. Design för registrering av åldersprogression
Istället för att ”be om 20 bilder” utformade vi ett inlämningsflöde i två spår som vägledde deltagarna till att:
- Spår A (Nyligen): foton från de senaste två åren;
- Spår B (Historiskt): äldre foton anpassade till deltagarens åldersintervall vid inskick (t.ex. 2–10/15/20 år).
Portalen gav användarna exempel (inomhus/utomhus, vinklar, tillbehör) för att skapa variation utan att överspecificera.
3. Mångfaldsorkestrering och kvoteringsskydd
En realtidsöversikt över kvoter övervakade inskrivningar efter kön, åldersgrupp och geografi , och pausade intaget när ett stratum nådde planerade gränser. Detta förhindrade omarbetning i sen cykel och återspeglar Shaips standardmetod med stratifierad inskrivning + utelåsning som användes i tidigare biometriska dataset för att upprätthålla en balanserad representation.
4. Kvalitetspipeline (Människa i loopen + Automatiserade förhandskontroller)
- Automatiserade grindar: ansiktsigenkänning + tröskelvärden för minsta storlek, grundläggande oskärpa/bruskontroller och klustring samma dag för att tidigt flagga potentiella dubbletter.
- Mänskliga kvalitetssäkringsnivåer: validerade granskare på bildnivå ämnesexklusivitet (endast huvuddeltagare), scen-/vinkelvariationoch inga försköningsfilterCQA-revisorer gjorde stickprovskontroller av partier före godkännande. flerskiktad kvalitetssäkring speglar Shaips publicerade biometriska dataprogram.
5. Efterlevnad och samtycke
Inskrivning ≥20 år med undertecknat samtycke; fall under 20 accepteras endast med vårdnadshavares samtycke. Vi registrerade förekomsten av samtycke i metadata och anpassade granskarnas checklistor till behörighets- och samtyckesfälten , vilket säkerställde granskningsbarhet.
6. Metadata och spårbarhet
Vi levererade metadata på deltagar- och bildnivå (ID-kopplingar, demografi, nationalitet/bostad, fotoår, inlämningsdatum etc.) och standardiserade fältnamn för att förenkla märkning och utvärdering nedströms . Detta följer Shaips bästa praxis för rik metadatamärkning för biometriska datamängder.
7. Fasad leverans till De Risk Scale
En plan med 8 omgångar började med en kalibreringsuppsättning med 10 deltagare , följt av kontrollerad uppskalning. Kundfeedback efter omgång 1 informerade om justeringar av bedömningskriterierna, sedan ökade volymerna i förutsägbara omgångar för att nå 1 205 deltagare på ~19 veckor.
Projektets omfattning
| Dimensionera | Vad vi levererade |
|---|---|
| Befolkning | 1 205 deltagare utanför EU/Storbritannien med balanserade köns- och åldersintervall. |
| Innehåll | ≥20 bilder per deltagare: aktuella + historiska för att koda åldersutveckling; varierade scener, vinklar och tillbehör. |
| Kvalitetsoperationer | Automatiserade förhandskontroller + mänsklig flerskiktskvalitetssäkring (dupliceringskontroller; ämnesexklusivitet; filteravvisning). |
| Compliance | Verifiering av ursprung utanför EU/Storbritannien; styrning av samtycke och validering av behörighet. |
| metadata | Deltagare + bildattribut för spårbarhet och nedströms ML-utvärdering. |
| Leverans | 8 fasade batcher, börjar med kalibrering och sedan steady state-leverans till slutmålet. |
Den Utfall
- Balanserad, revisionsklar korpus: Demografiska kvoter uppfylls inom toleransgränserna; Icke-EU/Storbritannien-ursprung tillämpas på alla bilder för kompatibel utbildning.
- Modellklar variation: Tidsseparerade bilder, olika miljöer/vinklar och tillbehörstäckning stöder robusthetstestning och biasanalys.
- Operativ förutsägbarhet: Första utrullningen av kalibreringen + kvotskydd minskade omarbetet och säkrade tidslinjen till hela målet på 1 205 deltagare.
- Nedströms effektivitet: Rika metadata och konsekvent filhygien förkortade vägen till annotering och benchmarkkonstruktion, enligt Shaips handböcker för biometriska dataset.
Shaip förvandlade en komplex datauppsättning med ansiktsuttryck från länder utanför EU/Storbritannien till en balanserad, revisionsklar samling. Deras design för åldersprogression och nivåindelade kvalitetssäkring gav vårt CV-team tydliga, mångsidiga data som vi kunde lita på – utan schemarisk.
