SCUT-FBP5500

SCUT-FBP5500是由华南理工大学创建的一个大型多范式面部美预测基准数据集，包含5500张正面人脸图像，涵盖男性/女性、亚洲/高加索人种及不同年龄段。数据集通过60名志愿者进行评分，评分范围为1至5分，同时包含面部特征点和美分数分布。该数据集支持基于外观或形状的面部美分类、回归或排名模型，适用于跨文化面部美分析、个性化面部美预测及自动面部美化等研究领域，旨在解决面部美预测的多范式计算问题。SCUT-FBP5500 is a large-scale multi-paradigm facial beauty prediction benchmark dataset developed by South China University of Technology. It contains 5500 frontal facial images, covering male and female subjects, Asian and Caucasian ethnic groups, as well as diverse age groups. The dataset was scored by 60 volunteers, with the scoring scale ranging from 1 to 5, and it also includes facial landmarks and beauty score distributions. This dataset supports appearance-based or shape-based facial beauty classification, regression and ranking models, and is applicable to research fields such as cross-cultural facial beauty analysis, personalized facial beauty prediction and automatic facial beautification. It aims to address the multi-paradigm computational challenges in facial beauty prediction.

搜集汇总

数据集介绍

构建方式

SCUT-FBP5500数据集由5500张正面人脸图像组成，涵盖了不同性别、种族和年龄。数据集的构建始于从互联网上收集图像，包括亚洲男性和女性、高加索男性和女性，年龄在15至60岁之间。为了确保图像质量，数据集仅包含未遮挡且表情中性的图像。每张图像都经过60位志愿者进行评分，评分范围为1到5，代表吸引力程度。此外，数据集中的每张图像都标注了86个面部关键点，以支持基于形状的美丽预测。数据集的构建旨在为多范式面部美丽预测提供一个多样化的基准。

特点

SCUT-FBP5500数据集的特点在于其多样性和全面性。数据集不仅包含了不同性别和种族的人脸图像，而且还包含了从60位不同志愿者那里收集的美丽评分，这为跨文化面部美丽分析、个性化面部美丽预测或自动面部美化等研究提供了可能性。此外，数据集中包含的面部关键点信息使得基于形状的美丽预测成为可能。数据集的多样性和全面性使其成为多范式面部美丽预测的理想基准。

使用方法

使用SCUT-FBP5500数据集进行面部美丽预测研究时，研究者可以采用多种方法。首先，可以提取基于几何特征的特征向量，并结合浅层预测模型（如线性回归、高斯回归或支持向量回归）进行预测。其次，可以从原始图像中提取外观特征，如Gabor特征图，并使用不同的采样方案进行特征提取。最后，可以使用深度学习模型，如AlexNet、ResNet-18和ResNeXt-50，进行端到端特征学习和预测。数据集提供了5折交叉验证和60%训练/40%测试的实验设置，以便研究者评估不同模型的性能。通过这些方法，研究者可以探索和评估不同模型在面部美丽预测方面的表现。

背景与挑战

背景概述

面部美感预测（FBP）是一项重要的视觉识别问题，旨在通过计算模型进行人类感知一致的面部吸引力评估。为了解决这一问题，各种数据驱动模型，尤其是最先进的深度学习技术被引入，而基准数据集成为实现FBP的关键要素。先前的研究将面部美感的识别视为一个特定的监督学习问题，如分类、回归或排序，这表明FBP本质上是一个具有多种范式的计算问题。然而，大多数FBP基准数据集都是在特定的计算约束下构建的，这限制了在数据集上训练的计算模型的表现和灵活性。本文提出，FBP是一个多范式的计算问题，并提出了一个新的多样化的基准数据集，称为SCUT-FBP5500，以实现多范式的面部美感预测。SCUTFBP5500数据集包含5500个具有多样属性（男性/女性、亚洲/高加索人、年龄）和多样标签（面部地标、美丽分数在[1,5]范围内、美丽分数分布）的前额面部图像，允许不同的计算模型采用不同的FBP范式。我们使用不同的特征和预测器组合以及各种深度学习方法对SCUT-FBP5500数据集进行了FBP评估，结果表明FBP的改进和基于SCUT-FBP5500的潜在应用。

当前挑战

SCUT-FBP5500数据集面临的挑战包括：1）解决领域问题的挑战：FBP是一个多范式的计算问题，需要构建一个能够适应不同范式的数据集，以便对不同类型的模型进行评估和比较。2）构建过程中的挑战：在构建数据集的过程中，需要确保数据的质量和多样性，同时避免数据偏差和过拟合问题。为了解决这些挑战，研究人员采用了多种方法，如使用不同的特征和预测器组合、采用不同的深度学习模型进行评估等。此外，还进行了数据集的基准分析，以了解数据集的统计特性和潜在的应用价值。

常用场景

经典使用场景

SCUT-FBP5500数据集被广泛应用于多范式面部美感预测的研究中。该数据集包含了5500张正面人脸图片，涵盖了多种属性（男女、亚洲/高加索、年龄），以及多样化的标签（面部地标、美感分数和美感分数分布）。这使得研究人员能够使用不同的计算模型，如基于外观/形状的面部美感分类/回归/排名模型，来探索不同种族和性别的人脸美感。此外，该数据集还可以用于跨文化面部美感分析、个性化面部美感预测和自动面部美化等领域。

实际应用

SCUT-FBP5500数据集在实际应用中具有广泛的应用场景。例如，该数据集可以用于面部化妆合成/推荐、基于内容的图像检索、美容手术和面部美化等领域。面部化妆合成/推荐系统可以利用该数据集中的面部地标和美感分数来为用户提供个性化的化妆建议。基于内容的图像检索系统可以利用该数据集中的面部地标和美感分数来检索与用户输入图像相似的美感图像。美容手术可以利用该数据集中的面部地标和美感分数来预测手术后的面部美感。面部美化应用程序可以利用该数据集中的面部地标和美感分数来实现自动面部美化。

衍生相关工作

SCUT-FBP5500数据集的提出引发了众多相关研究。例如，Xie等人基于SCUT-FBP数据集提出了分层CNN模型，该模型在面部美感预测任务中取得了优异的性能。此外，SCUT-FBP5500数据集还被用于研究面部地标检测、面部几何分析等问题。这些研究不仅提高了面部美感预测的性能，还为相关领域的研究提供了新的思路和方法。