Badacze jednego z teherańskich uniwersytetów opracowali model, który pozwala na przewidywanie atrakcyjności twarzy poszczególnych osób. Algorytm jest w stanie „domyślić się” jak dane rysy zostaną ocenione przez ludzi.
Atrakcyjność rysów twarzy oceni algorytm
Sztuczna inteligencja i uczenie maszynowe jest ostatnio na czasie, a pomysłów na badania i algorytmy nie brakuje. Zespół naukowców z Islamskiego Uniwersytetu Azad, zlokalizowanego w Teheranie, opracowali nowy model, którego zadaniem jest ocena atrakcyjności twarzy.
Badacze przeprowadzali wcześniej różnego rodzaju eksperymenty dotyczące wyglądu twarzy i ich postrzegania, przez ludzi. Zazwyczaj odbywało się to w celach interakcji społecznych oraz faktu, że niektóre cechy wyglądu twarzy są bardziej atrakcyjne w porównaniu do innych.
Dlatego też teraz maszyna jest w stanie „domyślić się” czy dane rysy są atrakcyjne czy też nie. Celem badania było sprawdzenie, czy algorytm faktycznie jest w stanie pojąć i nauczyć się przewidywania ocen ludzi pod względem atrakcyjności twarzy ze zdjęć.
Jak wyglądało poszukiwanie metod i opracowywanie algorytmu?
Badania opierały się o zebranie serii danych na temat twarzy różnych kobiet oraz przypisanych im rankingów atrakcyjności, które wyznaczane były przez grono osób badanych. Zdjęcia pochodziły z filmu dokumentalnego „The Top 100 Most Beautiful Women Faces in the World 2020”. Dodatkowo wśród danych znalazły się również odwzorowania twarzy z Lab London Database, który obejmuje zarówno kobiety, jak i mężczyzn w wieku od 18 do 54 lat.
Wprowadzone dane pozwoliły trenować różnego rodzaju modele, w tym jeden, który nazywany jest K najbliższych sąsiadów (KNN), oraz jeden oparty o regresję wektora nośnego (SVR). Zadaniem algorytmu było przeanalizowanie rysów twarzy w oparciu o ich symetrię i proporcje, co stanowiło dane wejściowe. Wynikiem natomiast miał być parametr lokowany w rankingu atrakcyjności.
Najlepsze wyniki zostały osiągnięte podczas wykorzystania modelu KNN, osiągając współczynnik determinacji na poziomie 0,99. Parametr ten określa poziom dopasowania, a jego poziom plasuje się w granicach 0,9 do 1,0, co w statystyce oznacza bardzo dobre dopasowanie.
