МАШИННОЕ ОБУЧЕНИЕ / АНАЛИЗ КРАСОТЫ

Является ли искусственный интеллект идеальным судьей конкурса красоты?

Узнайте, как можно использовать машинное обучение для распознавания красоты

Многие философские эссе вращаются вокруг понятия красоты. Красота в глазах смотрящего, или значительная часть населения может согласиться с тем, что красиво?

Красота, безусловно, является чем-то субъективным и меняется со временем. Однако, как люди, мы все ценим сияющий закат или группу щенков. Таким образом, люди также могут иметь общее представление о том, какие вещи красивы.

Если такое поведение встречается у людей, то почему его нельзя распространить и на машины? Здесь искусственный интеллект играет свою роль. Он уже победил людей в таких задачах, как классификация объектов и даже проверка лица. Таким образом, он также может в некоторой степени узнать, какие черты люди, по общему мнению, находят привлекательными.

Связанных с работой

В научной литературе можно найти большое количество статей на эту тему. Как и в любой другой области компьютерного зрения, подходы к классификации привлекательности со временем эволюционировали. Это будет рассмотрено в этом разделе.

Особенности ручной работы

Первые подходы пытались объяснить привлекательность чертами, созданными вручную и эмпирически. Одну статью, представляющую это предложение, можно найти по этой ссылке. В этой статье некоторые волонтеры оценивают группу людей по разным аспектам, таким как благонадежность, привлекательность и т. д.

Для объяснения оценок, выставленных добровольцами, использовались тридцать характеристик лица, таких как ширина носа, толщина губ, длина подбородка. Они достигли объяснимости 75 %, что довольно интересно.

Другие исследования пытаются объяснить привлекательность с точки зрения симметрии лица или того, как пропорции нашего лица следуют золотому сечению, волшебной пропорции, которая делает портрет Моны Лизы таким знаменитым.

Глубокое обучение

Однако могут ли эти элементы ручной работы полностью объяснить концепцию красоты? Возьмем в качестве сравнения развитие распознавания лиц в компьютерном зрении. Несколько лет назад алгоритм Виолы-Джонса успешно распознавал фронтальные лица, используя признаки, подобные Хаару. Эти функции были выбраны вручную, чтобы они соответствовали частям человеческого лица. Однако алгоритмы, основанные на эвристике, были полностью заменены более современными методами, основанными на сверточных нейронных сетях (CNN).

Эта эволюция также имеет отражение в анализе красоты. Одним из хороших примеров использования CNN является эта статья.

В нем сравниваются созданные вручную и глубокие сверточные сети, и становится ясно, что сверточные сети могут получить больше отличительных признаков. Конкретно, ResNeXt-50 может получить корреляцию Пирсона (ПК) 0,8777, тогда как геометрические объекты с регрессией Гаусса получают ПК 0,6738. Глубокое обучение проникло во многие области, и анализ красоты не является исключением.

Но для работы глубоких сверточных нейронных сетей нужны данные. Многие селфи доступны в Интернете, поэтому с помощью краудсорсинга можно собрать поразительное количество данных. Одним из связанных примеров является тот, который Андрей Карпаты публикует в этой записи своего личного блога. В посте он учит классификатор оценивать селфи в зависимости от количества полученных им лайков. Классификатор быстро узнает корреляцию между лайками и особенностями фотографий.

Базы данных

Учитывая потребность в данных, в этом разделе перечислены некоторые соответствующие базы данных, которые можно использовать для обучения CNN, и что необходимо учитывать при выборе базы данных.

Вот несколько репрезентативных примеров баз данных, содержащих фотографии лиц и оценки их привлекательности:

  • SCUT-FPB 5500: 5500 изображений, состоящих из 2000 азиатских женщин, 2000 азиатских мужчин, 750 белых женщин и 750 белых мужчин.
  • Oslo Face: 200 мужчин и женщин.
  • 10 000 баз данных для взрослых в США: 10 168 субъектов, в основном представителей европеоидной расы.

При создании алгоритма не учитывать разные расы и культуры — ошибка. Пост в блоге известной социальной сети знакомств провел очень тщательный анализ того, как разных людей привлекают другие. Это показало, что раса играет важную роль в выборе вашего потенциального партнера. Таким образом, база данных должна представлять разные типы людей.

Престижный Национальный институт стандартов и технологий (NIST) также представил эту проблему, показав, что при проверке лица уровень ложных срабатываний был выше у афроамериканок.

В заключение следует отметить, что разработка более надежных алгоритмов и лучших баз данных должна быть правильным путем. Наборы данных для создания надежного классификатора красоты должны соответствовать следующим требованиям:

  • Содержит разные расы
  • Содержит сбалансированный гендер
  • Соблюдайте политику GDPR

Случаи использования

По данным Edited, индустрия красоты оценивается в 532 миллиарда долларов. Приложения искусственного интеллекта, связанные с красотой, могут извлечь выгоду из этой прибыльной отрасли. Следующие поля считаются наиболее подходящими для этих типов приложений:

  • Индустрия красоты (пластическая хирургия, косметика и т.д.)
  • Социальные медиа
  • Развлечение

В индустрии красоты эта технология уже есть. Например, бренд по уходу за кожей Olay предлагает анализ кожи с помощью приложения на основе машинного обучения. Он утверждает, что предсказывает возраст вашей кожи, а также дает вам некоторые процедуры для улучшения ухода за кожей.

ModiFace, который был приобретен L’Oréal, использует передовые методы 3D-макияжа и диагностики кожи. Инновации в индустрии красоты были бы невозможны благодаря искусственному интеллекту и дополненной реальности.

Социальные сети являются частью жизни большинства людей. Это помогло влиятельным лицам и рекламодателям создать симбиотические отношения. Изображение — это все для этих двух агентов, и машинное обучение может помочь им улучшить его. Одним из примеров является Photobooth от Google, который позволяет автоматически делать лучшие селфи.

И последнее, но не менее важное: развлечения также являются важной нишей. Возможно, вы слышали об одном из тех тестов, которые можно найти в журналах для подростков: «Нравишься ли ты своему возлюбленному?», «Насколько ты привлекательна?». Почему бы не перейти к более сложному тесту, основанному на сложном алгоритме, который мог бы дать вам лучшую обратную связь?

В Beautymeter, используя просто селфи, мы предлагаем быстрый анализ лица, который дает вам оценку привлекательности от 1 до 5 за секунды. Магия, стоящая за этим, — это современная сверточная нейронная сеть. Мы не полагаемся на лицевые ориентиры, так как считаем, что это устаревшая технология.

Заставить искусственный интеллект понять концепцию чего-то столь человеческого, как красота, — амбициозный подвиг. Кто знает, может быть, следующие конкурсы Мисс или Мистер Мира будут решаться машиной.

Посетите раздел Бьютиметр или подпишитесь на нас в Твиттере или Фейсбуке.