211service.com
Machine-Vision-algoritme leert mensen op hun gezicht te beoordelen
Sociaal psychologen weten al lang dat mensen snelle oordelen over elkaar vellen op basis van niets meer dan hoe we eruitzien en in het bijzonder ons gezicht. We gebruiken deze oordelen om te bepalen of een nieuwe kennis betrouwbaar of slim of dominant of sociaal of humoristisch is, enzovoort.
Deze beslissingen kunnen al dan niet juist zijn en zijn geenszins objectief, maar ze zijn consistent. Met hetzelfde gezicht in dezelfde omstandigheden, hebben mensen de neiging om het op dezelfde manier te beoordelen.
En dat roept een interessante mogelijkheid op. Dankzij de snelle vooruitgang op het gebied van machinevisie en gezichtsherkenning is het voor computers eenvoudig geworden om een breed scala aan menselijke gezichtsuitdrukkingen te herkennen en zelfs om gezichten te beoordelen op aantrekkelijkheid. Dus is het mogelijk voor een machine om naar een gezicht te kijken en dezelfde eerste indrukken te krijgen die mensen maken?
Vandaag krijgen we een antwoord dankzij het werk van Mel McCurrie aan de Universiteit van Notre Dame en een paar maatjes. Ze hebben een machine learning-algoritme getraind om te beslissen of een gezicht betrouwbaar of dominant is, net zoals mensen dat doen.
Hun methode is eenvoudig. De eerste stap in elk machine-learningproces is het creëren van een dataset waarvan het algoritme kan leren. Dat betekent een reeks foto's van gezichten die zijn gelabeld met de manier waarop mensen ze beoordelen - of ze nu betrouwbaar, dominant, slim, enzovoort zijn.
McCurrie en co maken dit met behulp van een website genaamd TestMyBrain.org, een soort burgerwetenschapsproject dat verschillende psychologische kenmerken meet van de mensen die het bezoeken. De site is een van de meest populaire hersentestsites op het web, met meer dan 1,6 miljoen deelnemers.
Het team vroeg deelnemers om 6.300 zwart-witfoto's van gezichten te beoordelen. Elk gezicht werd door 32 verschillende mensen beoordeeld op betrouwbaarheid en dominantie en door 15 mensen op IQ en leeftijd.
Een interessant kenmerk van deze beoordelingen is dat er geen objectief antwoord is - de test registreert gewoon de mening van de beoordelaar. Natuurlijk is het mogelijk om IQ en leeftijd te meten en uit te rekenen hoe goed mensen deze waarden kunnen raden. Maar daar zijn McCurrie en co niet in geïnteresseerd. Het enige wat ze willen meten is het bereik van de indrukken van mensen en vervolgens een machine trainen om dezelfde resultaten te reproduceren.
Nadat ze deze gegevens hadden verzameld, gebruikte het team 6.000 van de afbeeldingen om hun machine-vision-algoritme te trainen. Ze gebruiken nog eens 200 afbeeldingen om de machine-vision-parameters te verfijnen. Dit alles traint de machine om gezichten op dezelfde manier te beoordelen als mensen.
McCurrie en co bewaren de laatste 100 afbeeldingen om het machine-vision-algoritme te testen, met andere woorden, om te zien of het dezelfde conclusies trekt als mensen.
De resultaten zorgen voor interessante lectuur. Natuurlijk reproduceert de machine hetzelfde gedrag dat het van mensen heeft geleerd. Wanneer de machine een gezicht krijgt, geeft hij min of meer dezelfde waarden voor betrouwbaarheid, dominantie, leeftijd en IQ als een mens zou doen.
McCurrie en co kunnen uit elkaar halen hoe de machine dit doet. Ze kunnen bijvoorbeeld zien welke delen van het gezicht de machine gebruikt om zijn oordeel te vellen.
Het team doet dit door verschillende delen van een gezicht te bedekken en de machine te vragen een oordeel te vellen. Als de uitkomst significant afwijkt van de gebruikelijke waarde, gaan ze ervan uit dat dit deel van het gezicht belangrijk moet zijn. Op deze manier kunnen ze zien op welke delen van het gezicht de machine het meest vertrouwt bij het maken van zijn oordeel.
Vreemd genoeg blijken deze vergelijkbaar te zijn met de delen van het gezicht waar mensen op vertrouwen. Sociaal psychologen weten dat mensen de neiging hebben om naar de mond te kijken bij het beoordelen van betrouwbaarheid en dat een verlaagd voorhoofd vaak wordt geassocieerd met dominantie.
En dit zijn precies de gebieden waarnaar het machine-vision-algoritme leert kijken vanuit de trainingsgegevens. Deze observaties geven aan dat onze modellen hebben geleerd om op dezelfde plaatsen te kijken als mensen, en repliceren de manier waarop we attributen op hoog niveau in elkaar beoordelen, zeggen McCurrie en co.
Dat leidt tot een aantal interessante toepassingen. McCurrie en co passen het eerst toe op acteren. Ze gebruiken de machine om de betrouwbaarheid en dominantie van Edward Snowden en Julian Assange te beoordelen aan de hand van foto's van hun gezichten. Vervolgens gebruiken ze de machine om dezelfde beoordeling te maken van de acteurs die hen in twee recente zetten spelen - respectievelijk Joseph Gordon-Levitt en Benedict Cumberbatch.
In feite voorspelt dit hoe een menigte de gelijkenis tussen een acteur en de persoon die hij of zij portretteert, zou kunnen beoordelen.
De resultaten zijn duidelijk. Het blijkt dat de machine beide acteurs op dezelfde manier beoordeelt als de mensen die ze portretteren - ze scoren bijvoorbeeld allemaal slecht op betrouwbaarheid. Onze modellen leveren opmerkelijk vergelijkbare voorspellingen tussen de proefpersonen en hun acteurs, wat de nauwkeurigheid van de afbeeldingen in de films bevestigt, zeggen McCurrie en co.
Maar het team kan verder gaan. Ze passen het machine-vision-algoritme toe op elk frame in een film, waardoor ze kunnen zien hoe de beoordelingen in de loop van de tijd veranderen. Dit geeft een maatstaf voor de manier waarop de percepties van mensen in de loop van de tijd kunnen veranderen. En dat is iets dat kan worden gebruikt in onderzoek, marketing, politieke campagnes, enzovoort.
Het werk suggereert ook toekomstige wegen om na te streven. Een mogelijkheid is om te testen hoe eerste indrukken veranderen tussen culturele of demografische groepen.
Dit alles maakt het mogelijk om de factoren die bijdragen aan onze vooroordelen, die vaak afhankelijk zijn van subtiele sociale signalen, uit elkaar te halen. Het kan robots ook in staat stellen om ze te voorspellen en te herhalen.
Een fascinerend gevolg hiervan is hoe dit soort onderzoek het menselijk gedrag zou kunnen beïnvloeden. Als iemand ontdekt dat zijn gezicht als onbetrouwbaar wordt ervaren, hoe zou die persoon dan reageren? Zou het mogelijk zijn om te leren hoe je deze perceptie kunt veranderen, misschien door gezichtsuitdrukkingen te veranderen? Interessant werk!
Referentie: arxiv.org/abs/1610.08119 : Eerste indrukken voorspellen met Deep Learning