Soft-biometrics play an important role in face biometrics and related fields since these might lead to biased performances, threaten the user’s privacy, or are valuable for commercial aspects. Current face databases are specifically constructed for the development of face recognition applications. Consequently, these databases contain a large number of face images but lack in the number of attribute annotations and the overall annotation correctness. In this work, we propose a novel annotation-transfer pipeline that allows to accurately transfer attribute annotations from multiple source datasets to a target dataset. The transfer is based on a massive attribute classifier that can accurately state its prediction confidence. Using these prediction confidences, a high correctness of the transferred annotations is ensured. Applying this pipeline to the VGGFace2 database, we propose the MAAD-Face annotation database. It consists of 3.3M faces of over 9k individuals and provides 123.9M attribute annotations of 47 different binary attributes. Consequently, it provides 15 and 137 times more attribute annotations than CelebA and LFW. Our investigation on the annotation quality by three human evaluators demonstrated the superiority of the MAAD-Face annotations over existing databases. Additionally, we make use of the large number of high-quality annotations from MAAD-Face to study the viability of soft-biometrics for recognition, providing insights into which attributes support genuine and imposter decisions. The MAAD-Face annotations dataset is publicly available.

中文翻译：

---

MAAD-Face：人脸图像的大量注释属性数据集

软生物识别技术在面部生物识别技术及相关领域发挥着重要作用，因为它们可能会导致性能偏差、威胁用户隐私或在商业方面具有价值。当前的人脸数据库是专门为开发人脸识别应用程序而构建的。因此，这些数据库包含大量的人脸图像，但缺乏属性注释的数量和整体注释的正确性。在这项工作中，我们提出了一种新颖的注释传输管道，允许将属性注释从多个源数据集准确地传输到目标数据集。转移基于可以准确说明其预测置信度的海量属性分类器。使用这些预测置信度，可以确保传输的注释的高度正确性。将此管道应用于 VGGFace2 数据库，我们提出了 MAAD-Face 注释数据库。它由超过 9k 个人的 3.3M 人脸组成，并提供 47 个不同二进制属性的 123.9M 属性注释。因此，它提供的属性注释是 CelebA 和 LFW 的 15 倍和 137 倍。我们对三位人类评估员的注释质量的调查证明了 MAAD-Face 注释优于现有数据库。此外，我们利用来自 MAAD-Face 的大量高质量注释来研究软生物识别识别的可行性，提供有关哪些属性支持真实和冒名顶替决策的见解。MAAD-Face 注释数据集是公开可用的。超过 9,000 个人的 3M 人脸，并提供 47 种不同二进制属性的 123.9M 属性注释。因此，它提供的属性注释是 CelebA 和 LFW 的 15 倍和 137 倍。我们对三位人类评估员的注释质量的调查证明了 MAAD-Face 注释优于现有数据库。此外，我们利用来自 MAAD-Face 的大量高质量注释来研究软生物识别识别的可行性，提供有关哪些属性支持真实和冒名顶替决策的见解。MAAD-Face 注释数据集是公开可用的。超过 9,000 个人的 3M 人脸，并提供 47 种不同二进制属性的 123.9M 属性注释。因此，它提供的属性注释是 CelebA 和 LFW 的 15 倍和 137 倍。我们对三位人类评估员的注释质量的调查证明了 MAAD-Face 注释优于现有数据库。此外，我们利用来自 MAAD-Face 的大量高质量注释来研究软生物识别识别的可行性，提供有关哪些属性支持真实和冒名顶替决策的见解。MAAD-Face 注释数据集是公开可用的。我们对三位人类评估员的注释质量的调查证明了 MAAD-Face 注释优于现有数据库。此外，我们利用来自 MAAD-Face 的大量高质量注释来研究软生物识别识别的可行性，提供有关哪些属性支持真实和冒名顶替决策的见解。MAAD-Face 注释数据集是公开可用的。我们对三位人类评估员的注释质量的调查证明了 MAAD-Face 注释优于现有数据库。此外，我们利用来自 MAAD-Face 的大量高质量注释来研究软生物识别识别的可行性，提供有关哪些属性支持真实和冒名顶替决策的见解。MAAD-Face 注释数据集是公开可用的。