大学教授训练机器识美女审美与中国高校男生高度一致

2016-12-20 16:56:17 来源：澎湃新闻网

0浏览评论0条

S+包含带有以下标签的美女照片：清纯、柔美、甜美、秀美、单纯、大方

S-则包含以下标签：娇艳、俗气、张扬、风骚、轻佻、轻浮、妩媚

“褒义组”照片样本

“贬义组”照片样本

S+和S-分别倾向于褒义和贬义的标签，且在女性的支配力、可信赖度、单纯程度等内在个性上有不同程度的暗示，本文简单将这两组称为“褒义组”和“贬义组”。

然后，所有搜索结果又由中国男性研究生进行了人工排查，去掉一些由于复杂语义造成的错误搜索结果，比如有些照片带有反讽性质的标签。

研究团队最后得到了共3954张中国美女照片，其中“褒义组”2000张，“贬义组”1954张。

由于受访的研究生们无法指出他们做出判断的细节依据，武筱林团队采用了深度卷积神经网络(CNN)进行研究。在实验中，他们用数据集中的80%进行训练，10%用于验证，剩余10%进行测试。

实验的结果是，经过训练的机器鉴别“褒义组”和“贬义组”的准确率达到了80%。

继看脸识罪犯，交大教授训练机器识别“清纯”和“妖艳”美女

机器识别准确率达80%

继看脸识罪犯，交大教授训练机器识别“清纯”和“妖艳”美女

接着，由于受访男性研究生普遍认为“贬义组”的照片“不自然”，研究者怀疑影响男性做出审美判断的重要依据是女性的化妆程度。但这个猜测很快被实验推翻了。当把所有照片调成灰阶图，重复上面的过程后，CNN分类器的识别准确率只下降了6%。

换成灰阶图后的机器识别准确率仍有75%

“褒义组”和“贬义组”色彩对比度和饱和度的均值和标准差

此外，浓妆还可能造成面部色彩的对比度和饱和度变高。这点得到了数据分析的证实。“褒义组”的色彩对比度比“贬义组”平均低了14%，饱和度平均低了5%。此外，“贬义组”照片在色彩对比度和饱和度上差异性更大。这与中国传统推崇的“自然美”一致。研究者猜测，这种色彩对比度和饱和度上的差异是机器做出判断的重要依据之一。

“褒义组”和“贬义组”色彩对比度和饱和度的均值和标准差

最后，武筱林团队排除了机器过度学习的可能性。他们将数据集随机打乱后训练机器，结果机器只能以50%的概率随机“猜”分类。

文章最后总结道，这篇论文是上一篇论文《基于面部识别的犯罪性推断》的续集，再次证明了人工智能不仅可以通过人脸识别鉴别生物性特征，还可以鉴别社会心理层面的特征。

澎湃新闻(www.thepaper.cn)在阅读论文时，发现论文中附带的“褒义组”照片中出现了演员杨颖。鉴于武筱林的研究采用了百度图片搜索，样本中出现一些演艺圈人士和“网红”的照片不足为奇。但在采访中，武筱林表示他和他的研究生都对“网红”群体知之甚少。然而，他们已经对这个群体产生了研究兴趣，甚至打算拿她们作样本，进一步检验论文中的算法。

武筱林说道，他的研究生已经在收集一批女主播的照片，并记录网友对她们长相的综合性评价。在收集完成后，他们将把这一批全新的数据交给人工智能甄别，检验计算机的“审美”是否和网友一致。

武筱林打比方说道，之前他们就像训练计算机成功通过了高考，但现在他们重新找了一批“怪题” 来考验计算机，看看人工智能的学习能力到底有多强。

(澎湃新闻见习记者虞涵棋)

原标题：交大教授训练机器识美女：“清纯”和“妖艳”

[责任编辑:林春婷]