g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Yapay Zeka: Ne kadar çok bakarsanız, "annenizin" değeri o kadar yüksek olur

Yapay zeka teknolojisi, fotoğraf / video güzelleştirme ve yüz değeri puanlamada yaygın olarak kullanılmaktadır, ancak dahili puanlama mekanizması hala bazı psikolojik ve fizyolojik araştırmalara dayanan insan yapımı kuralları kullanmaktadır. Yapay zekanın insan görünümünün anlamını anlamasına izin verirsek, daha iyi sonuçlar alacak mıyız?

Son zamanlarda, ObEN'den araştırmacılar, yapay zekanın gözünde "güzellik" üzerine araştırmalar yaptılar. Yapay zekanın yargısı, bazı okulların teorisini doğruluyor gibi görünüyor: görünüş ne kadar kadınsı olursa, görünüş o kadar yüksek olur; saç rengi açısından erkek siyah saç en iyisidir Güzel, sarışın bayan en iyisidir.

ObEN'in Silikon Vadisi'nde bulunan Çinli bir start-up şirketi olduğunu ve daha önce Bahar Şenliği Galası'nda sanal bir host sunmasıyla ünlüydü.

Şekil 1: Her bir görüntü çiftinde hangisi (sol veya sağ) daha çekici? Model, çekicilikle ilgili olumlu / olumsuz özellikleri çıkarır ve farklı kimlikler arasında belirli üst düzey yüz özelliklerini sentezler. Her örnekte, sol orijinal görüntü, sağ ise işlenmiş görüntüdür (soldan sağa: küçük burun / büyük burun, eril / kadınsı, makyajsız / makyajsız, genç / yaşlı). Araştırmacılar, kullanıcı araştırması yoluyla güzelliğin tanımını daha da araştırdı ve doğruladı.

İnsanların görünüşü, cinsiyet seçiminden işe almaya ve daha sonra sosyal etkileşim sürecine kadar sosyal faaliyetlerin birçok yönü üzerinde önemli bir etkiye sahiptir ve belirleyici faktörlerden biri görünümdür. Daha çekici yüzlere sahip insanlar daha fazla buluşma fırsatı bulabilir ve onlarla çıkan insanlar daha fazla tatmin alabilir. Toplumun güzellik arayışı giderek aşırı hale geliyor ve itici olmayan insanlar baskı ile karşılaşabilir. Cash ve arkadaşları tarafından yapılan araştırma, daha çekici insanların iş bulma olasılığının daha yüksek olduğunu ve bir şüphelinin ortaya çıkmasının hakimin kararını bile etkileyebileceğini gösterdi.

Yüz güzelliği üzerine yapılan araştırmalar, çoğu insan algısıyla ilgilenen psikologların, filozofların ve sanat bilimcilerinin ilgisini yüzyıllardır çekmiştir. Güzellik nedir? Psikologlar bu soruya çeşitli faktörleri araştırarak cevap vermeye çalışırlar. Simetri ve ortalamadan kişiliğe, dimorfizme kadar çeşitli teoriler vardır.

Bu konu psikoloji alanında kapsamlı bir şekilde çalışılmış olsa da, bilgisayarların güzellik konusunda ne tür bir anlayışı var? Dijital kameraların ve sosyal medyanın yaygınlaşmasıyla birlikte, görsellerin toplumda daha fazla uygulaması var ve çoğu geçmiş psikolojik keşiflere dayanan sonsuz bir akışta çeşitli güzellik teknikleri ortaya çıkıyor. Ana fikir, düşük seviyeli geometrik yüz özelliklerini (şekil oranı, simetri, doku gibi) analiz etmek ve ardından görüntü sınıflandırması ve güzellik tahmini için destek vektör makineleri, K-en yakın komşular (K-NN) gibi makine öğrenimi algoritmalarını uygulamaktır. Otomatik puanlayıcıyı yerel ikili model (LBP) ve Gabor gibi özelliklerin çıkarılması için denetimli bir şekilde eğiten algoritmalar da vardır.Eğitim içeriğinde güzellik puanı manuel olarak değerlendirilir.

Şekil 2: Bu makaledeki metodolojiye genel bakış.

Bu makale, psikolojik bulgulara dayanan düşük seviyeli yüz geometrik özelliklerini kullanmamakta, ancak yüz özellikleri (kaş şekli, burun boyutu, saç rengi gibi) ile yüzün çekiciliği arasındaki ilişki üzerine yeni bir araştırma önermektedir. Araştırma, gelişmiş yüz özelliklerinin güzellik değerlendirmesinde önemli bir rol oynadığına inanan Leyvand ve arkadaşlarından esinlenmiştir. Bu makaledeki araştırma, büyük verinin patlaması ve derin öğrenme modellerinin beklentisiyle yürütülüyor. Şekil 2'de gösterildiği gibi, araştırmacılar ilk önce yüz özelliklerinin değerlendirilmesi için derin bir evrişimli sinir ağı kullandılar. Ardından, gerçek görüntüler içeren iki büyük veri kümesine dayalı olarak gelişmiş yüz özellikleri ile güzellik arasındaki ilişkiyi inceleyin ve ardından istatistiksel sonuçlara göre güzellikle ilgili yüz özelliklerini seçin. Araştırmacılar ayrıca sonuçlarını psikolojik bulgularla ilişkilendirdi ve benzerliklerini ve farklılıklarını tartıştılar. Son olarak, yukarıda belirtilen seçilmiş yüz özellikleri, güzelleştirilmiş görüntüler oluşturmak için nesil yüzleşme ağı ile birleştirilir. Güzelleştirilen görüntüler, bu makaledeki ve önceki psikolojik araştırmalardaki araştırmanın doğruluğunu doğrulayan çekici etkiler gösteriyor.

Bu yazının ana katkıları aşağıdaki gibidir:

Yüz özelliklerini çıkarmak için yüz değeri puanlarıyla işaretlenmiş iki büyük gerçek veri kümesi üzerinde eğitilmiş derin bir CNN kullanılır.
İlk kez, güzellik ve yüz özellikleri arasındaki ilişkiyi objektif olarak analiz etmek ve istatistiksel verilere dayalı çekici özellikleri seçmek için nicel yöntemlerin kullanılması önerildi.
Güzellik üzerine mevcut psikolojik araştırmayı doğruladı ve yeni bir model buldu.
Bu yüz özellikleri, güzel görüntüler oluşturmak için GAN ile birleştirilir ve ardından sonuçları doğrulamak için 10.000 veri noktasına sahip kullanıcılar incelenir.

Kağıt: Derin Yüz Özellikleri ile Güzelliği Anlamak

Özet: Güzellik kavramı hakkında, filozoflar ve psikologlar yüzyıllardır tartışıyorlar, ancak tanımların çoğu öznel ve metafiziktir, doğruluk, evrensellik ve ölçeklenebilirlikten yoksundur. Bu makalede, büyük verilere dayanarak, güzelliği objektif bir şekilde nicel bir şekilde tanımlamaya çalışarak, yüz niteliklerinin güzelliğinin tanımını madencilik üzerine yeni bir çalışma öneriyoruz. Önce yüz özelliklerini çıkarmak için derin bir evrişimli sinir ağı dağıtıyoruz ve ardından bu özellikler arasındaki korelasyonu ve yüz değeri puanlarıyla işaretlenmiş iki büyük veri kümesinde çekiciliği inceliyoruz. Sadece güzelliğin sırlarını istatistiksel anlamlılık testleri ile keşfetmedik, aynı zamanda araştırma sonuçlarımız da mevcut psikolojik araştırmalarla tamamen uyumlu, örneğin küçük burunlar, yüksek elmacık kemikleri ve kadınlık daha çekici. Bu gelişmiş gösterimleri ayrıca bir yüzleşme ağı oluşturarak orijinal görüntüler oluşturmak için kullanıyoruz. Sentezden sonraki güzellik etkisi ikna edicidir ve 10.000 veri noktası içeren bir kullanıcı anketi ile istatistiksel olarak ikna edici bir şekilde doğrulanmıştır.

3 yöntem

3.1 Veri ön işleme

Derin eğitimden önce, daha iyi eğitim için veri ön işleme gereklidir. Görüntü normalleştirmenin dört adımı vardır: yüz algılama, dönüm noktası algılama, hizalama ve kesme. Yüz algılama ve özellik noktası algılama için Yerel Sınırlama Modeli (CLM) kullanılır. Daha sonra Şekil 4'te gösterildiği gibi 68 özellik noktası sağlanmıştır. Özellik noktası kalibrasyonu göz önüne alındığında, göz konumu hizalama için (sol göz merkezi) ve (sağ göz merkezi) olarak ayarlanır ve ardından görüntü boyutu 256 × 256 olarak kırpılır.

Şekil 4: Görüntü ön işleme örneği ve ilgili öznitelik sonuçları

Görüntü ön işlemeye ek olarak, yüz değeri puanını normalleştirmek de gereklidir, çünkü her görüntü birden fazla kişi tarafından puanlandığında bazı tutarsızlıklar olacaktır. Bu nedenle bu makale, nihai puanı oluşturmak için çoğunluk oylama ve ardından ortalama yöntemini benimser.

3.2 Özellik eğitimi

Bu makalede, özellik eğitimi için GoogleNet mimarisini kullanıyoruz. Ağda 22 katman (yalnızca parametrelere sahip katmanlar hesaplanır) ve 9 Başlangıç modülü bulunur. GoogLeNet, 2014 ImageNet Büyük Ölçekli Görsel Tanıma Yarışmasında (ILSVRC14) en iyi sınıflandırma ve algılama düzeyini elde etti. Bu mimari, boyutsallık azaltma için 1 × 1 evrişim çekirdeği kullanmakta iyidir, bu da hesaplama kaynaklarından tasarruf ederken ağın derinliğini artırabilir.Şekil 5'te gösterildiği gibi Başlangıç olarak adlandırılır. ImageNet sınıflandırma zorluğundan farklı olarak, her görüntü yalnızca bir kategori olarak kullanılır.Bu makalenin eğitiminde, her bir görüntü ve onun 40 özelliği derin mimariye girilir ve nihai çıktı, gerçek değere karşılık gelen çokludur (40 etiket) sınıflandırma.

Şekil 5: Boyut azaltma işleminden sonraki başlangıç modülü.

Genel eğitim süreci Şekil 3'te gösterilmektedir. Önce görüntü ve özellik etiketlerini derin CNN'ye girin ve özellikleri çıkarın ve ardından bu özellikleri daha fazla işlemek için tam bağlı katmanı kullanın. Son olarak, özellik değerlendirmesi için 40 rastgele orman sınıflandırıcısı eğitilir ve son olarak özellik sonuçları çıktı olarak alınır.

Şekil 3: Özellik eğitimine genel bakış

3.3 Korelasyon analizi

Normalleştirilmiş güzellik puanını ve 40 yüz özelliğini aldıktan sonra, bir sonraki adım güzelliğin gizemini - yüz özellikleri ile güzellik derecesi arasındaki korelasyonu - keşfetmektir.

3.4 Özellik geçişi

Güzellik derecesindeki farkı belirli özellikler olsun ya da olmasın nicel olarak değerlendirmek için, yüz özelliklerini taşımak için bir GAN kullandık. GAN, bir minimax oyunu olarak tanımlanır ve amaç işlevi aşağıdaki gibidir:

Eğitim oluşturucu G, ayırıcı D'yi aldatır ve ayırıcı D, oluşturulan örnek G (x, c) 'yi gerçek örnek x'ten ayırt etmeye çalışır.

Uygulamada, GAN'ı başarılı bir şekilde eğitmek çok zor bir görevdir, ancak birçok iyileştirme yapılmıştır. StarGAN, görüntüden görüntüye geçiş görevlerinde etkileyici bir ilerleme kaydetti. Eğitimde olumsuz kayıp kullanımına ek olarak, mevcut en gelişmiş özellik aktarım performansını elde etmek için özellik sınıflandırması L_cls ve görüntü yeniden yapılandırma kaybı L_rec de kullanılır. Tam amaç işlevi aşağıdaki gibidir:

Bu çalışmadaki yüz özelliği göçünün mimarisi, "Stargan: Çok alanlı görüntüden görüntüye çeviri için birleşik üretken karşıt ağlar" ile aynıdır.

4 deney

Tablo 2: Beauty 799 veri setinde test edilen önemli özellikler.

Şekil 6: Kadın sınıflandırması altındaki alt kategoriler, erkek sınıflandırması altındaki alt kategoriler ve tüm veri seti dahil olmak üzere 10K ABD veri setindeki korelasyon analizi.

Tablo 3: Birleşik veri setinde test edilen önemli özellikler.

Şekil 7: Kullanıcı araştırma sonuçları, bu makalenin hipotezini ve ilgili analizini doğrular.

5 Analiz ve yargı

5.3 Güzel kadın özellikleri

İstatistikler yoluyla sadece objektif bir güzellik tanımı elde etmekle kalmayabiliriz, aynı zamanda kadınsı özelliklerin eril özelliklerden daha çekici olduğu yönünde ilginç bir bulgu da vardır. Psikolojik açıdan, kadın özelliklerinin farklı kültürlerde erkek ve kadın yüzlerinin çekiciliğini artırdığına dair pek çok kanıt vardır. Yoğun makyaj ve ruj gibi özellikler genellikle kadın özelliği olarak kabul edilir. Bu nedenle, istatistiksel sonuçlarımızdan ve psikolojimizden, bu niteliklerin çekicilik üzerinde olumlu bir etkisi vardır. Ek olarak, Erkek adında bir cinsiyet özelliği vardır Derin modelimize bakılırsa, bu tahmin CelebA'da ikna edicidir (% 95 doğruluk). Ancak ilginç bir sonuç bulduk Model sonuçlarında Beauty 799 veritabanındaki bazı kadın resimlerinin erkek olduğu tahmin ediliyor, bu da bu kadınların bazı erkek özelliklerine (erkek eğilimleri) sahip olduğunu ve daha az çekici kabul edildiğini gösteriyor. Ek olarak, korelasyon analizine göre, bu erkeksi özellik çekiciliği azaltacaktır. Bu örnek, olumsuz yönden kadın özelliklerinin çekiciliği artırabileceğini kanıtlıyor.

5.4 Tutarsızlık ve tutarlı tanım

Daha önce de belirtildiği gibi, iki veri seti arasında bazı temel farklılıklar vardır. Bu nedenle, elde edilen tanım sonuçlarında bazı tutarsızlıklar bulunmaktadır. Beauty 799'un sonuçlarına aykırı olarak Amerikalı yetişkinlerin siyah ve sarı saçları tercih ettiğini gördük. Bu fenomen çevresel etkilerden kaynaklanıyor olabilir.Farklı kültürlerdeki insanların saç rengi ve vücut tipi için farklı tercihleri olabilir. Veritabanları arasındaki tutarsızlıkların yanı sıra siyah saç ve kalın kaşların da çekici erkek özellikleri olduğunu gördük ama bu kadınlar için geçerli değil.Siyah saç ve kalın kaşların kadın güzelliği üzerinde olumsuz etkisi var. Bir diğer tutarsızlık ise sarı saçların kadın ve erkeklerin güzelliği üzerindeki etkisidir. Sarı saç, kadınlar için çekici bir özelliktir, ancak erkekler için değil.

İçinde bazı tutarsızlıklar olsa da güzelliğin tanımında bazı ortak yönler de var. Tablo 3, Amerika Birleşik Devletleri üzerinde olumlu veya olumsuz bir etkiye sahip olan nispeten büyük iki veri kümesinin tutarlı özelliklerini özetlemektedir. Örneğin, ağır makyaj, yüksek burun köprüsü ve ruj gibi özellikler çekiciliği (güzelliği) artıracaktır. Aksine, büyük bir burun, erkeksi (kadınlara atıfta bulunarak) ve hafifçe açılan dudaklar çekiciliği olumsuz etkileyecektir.

Kaynak: Heart of the Machine

(Bu makale bir ağ alıntı veya yeniden basımdır, telif hakkı orijinal yazara veya yayın medyasına aittir. Çalışmanın telif hakkına dahilseniz, lütfen bizimle iletişime geçin.)

2018'in ikinci yarısında görmek için bu yerlere gidin

Narita Havalimanı çalışanlarının bagaj taşıyan videosu internette! Havaalanı valizleri bu şekilde ele alınır