Veidų vaizdas iš priekio MBWF (Gražiausių moterų veidų) duomenų rinkinyje. Kreditas: Mohammad Karimi Moridani ir kt. Ankstesni psichologijos ir neurologijos tyrimai dažnai tyrė, kaip žmonės socialinių sąveikų metu suvokia skirtingus veidus. Kai kurie tyrimai rodo, kad vidutiniškai žmonėms vieni veidai atrodo patrauklesni nei kiti, todėl jų vertinimai konkrečių veidų atžvilgiu gali būti panašūs.
Pastaruoju metu kompiuterių mokslininkai bandė naudoti mašininį mokymąsi, kad nuspėtų, kaip patrauklūs žmonės paprastai ras skirtingus veidus. Nors kai kurie iš šių modelių pasiekė daug žadančių rezultatų, ne visi jie gali gerai apibendrinti skirtingus vaizdus.
Teherano Islamo Azado universiteto mokslininkai sukūrė naują modelį, skirtą įvertinti skirtingų žmonių veidų patrauklumą vaizduose. Šis modelis, pristatytas m International Journal of Cognitive Computing in EngineeringNustatyta, kad nepaprastai tiksliai prognozuoja vidutinius patrauklumo balus, kuriuos žmonės skyrė skirtingiems veidams.
„Šiame dokumente pristatomas naujas požiūris į veido patrauklumo prognozavimo problemą naudojant mašininio mokymosi ir kompiuterinio matymo metodus“, – savo darbe rašė Mohammadas Karimi Moridani, Nahal Jamiee ir Shaghayegh Saghafi. „Mūsų pagrindinis tikslas yra ištirti, ar intelektuali mašina gali išmokti ir tiksliai numatyti veido patrauklumą, remiantis objektyviomis veido bruožų taisyklėmis.
Moridani, Jamiee ir Saghafi iš pradžių nusprendė išbandyti skirtingus mašininio mokymosi metodus, siekdami numatyti, kaip žmonės įvertins veidų patrauklumą. Norėdami tai padaryti, jie surinko duomenų rinkinius, kuriuose buvo skirtingų moterų veidai ir atitinkami vidutiniai žmonių patrauklumo reitingai.
Tyrėjų duomenų rinkinyje esantys veidai buvo paimti iš dokumentinio stiliaus „YouTube“ vaizdo įrašo „100 gražiausių moterų veidų pasaulyje 2020 m.“, kuriame vaizduojamos skirtingos etninės kilmės moterys. Be to, komanda naudojo Lab London duomenų bazę – De Bruine’o ir jo kolegų sudarytą duomenų rinkinį, kuriame yra 18–54 metų amžiaus vyrų ir moterų veidai.
Naudodami šiuos duomenų rinkinius, Moridani, Jamiee ir Saghafi parengė skirtingus modelius, įskaitant vieną, pagrįstą k-artimiausiais kaimynais (KNN) ir vieną, pagrįstą paramos vektoriaus regresija (SVR). Tada jie išbandė šių metodų gebėjimą įvertinti patrauklumo balus, kuriuos žmonės gali suteikti skirtingiems veidams.
„Modelis naudojo veido bruožų parametrus, tokius kaip simetrija ir proporcijos, kad nustatytų patrauklumo reitingą kaip išvestį“, – savo darbe paaiškino Moridani, Jamiee ir Saghafi.
„Mes įvertinome mūsų parengto prognozavimo modelio našumą naudodami keletą metrikų, įskaitant nustatymo koeficientą (R2), vidutinę kvadratinę paklaidą (RMSE) ir vidutinę absoliučiąją procentinę paklaidą (MAPE). Geriausias rezultatas buvo pasiektas naudojant KNN algoritmas testavimo fazės metu, kai R2 = 0,9902, RMSE = 0,0056 ir MAPE = 0,0856. Tai parodė reikšmingą veido patrauklumo prognozavimo tikslumo pagerėjimą, palyginti su ankstesniais tyrimais.
Komanda nustatė, kad KNN algoritmas davė geriausias veido patrauklumo prognozes, kurias suvokia žmonės. Pažymėtina, kad buvo nustatyta, kad jų KNN pagrįstas modelis lenkia kitus ankstesniuose dokumentuose pristatytus žmonių veidų patrauklumo įvertinimo metodus.
„Palyginti su ankstesniais šios srities tyrimais, mūsų metodas rodo reikšmingą tikslumo pagerėjimą, o koreliacijos koeficientas yra didesnis nei žmonių įvertinimų“, – savo darbe pridūrė Moridani, Jamiee ir Saghafi. „Šis darbas turi reikšmingų pasekmių psichologijos, neurologijos ir kompiuterių mokslo sritims, nes suteikia naują požiūrį į veido patrauklumo sampratą ir jos kiekybinį įvertinimą naudojant mašininį mokymąsi.
Daugiau informacijos: Mohammadas Karimi Moridani ir kt., Panašus į žmogų vertinimas veido patrauklumo išmaniąja mašina, International Journal of Cognitive Computing in Engineering (2023). DOI: 10.1016/j.ijcce.2023.04.001
© „Science X Network“, 2023 m
Citata: modelis gali labai tiksliai nuspėti, kaip žmonės suvokia patrauklumą įvairiuose veiduose (2023 m. gegužės 1 d.), gautas 2023 m. gegužės 1 d. iš https://techxplore.com/news/2023-04-humans-high-accuracy.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
