Les études antérieures en psychologie et en neurosciences ont souvent étudié la façon dont les humains perçoivent différents visages lors d'interactions sociales. Certaines études suggèrent qu'en moyenne, les humains ont tendance à trouver certains visages plus attrayants que d'autres, ainsi leurs notes pour des visages spécifiques peuvent être similaires.

Récemment, des informaticiens ont essayé d'utiliser l'apprentissage automatique pour prédire à quel point les humains attirants trouveraient généralement différents visages. Bien que certains de ces modèles aient obtenu des résultats prometteurs, tous ne peuvent pas être généralisés sur différentes images.

Des chercheurs de l'Université islamique Azad de Téhéran ont créé un nouveau modèle pour évaluer l'attractivité faciale de différents visages humains dans les images. Ce modèle, introduit dans le Journal international de l'informatique cognitive en ingénieriea été trouvé pour prédire les scores d'attractivité moyens que les humains ont donnés à différents visages avec une précision remarquable.

"Cet article présente une nouvelle approche du problème de la prédiction de l'attractivité faciale à l'aide de techniques d'apprentissage automatique et de vision par ordinateur", ont écrit Mohammad Karimi Moridani, Nahal Jamiee et Shaghayegh Saghafi dans leur article. "Notre objectif principal est d'étudier si une machine intelligente peut apprendre et prédire avec précision l'attractivité du visage sur la base de règles objectives dans les traits du visage."

Moridani, Jamiee et Saghafi ont initialement entrepris de tester différentes approches d'apprentissage automatique dans le but de prédire comment les humains évalueraient l'attractivité des visages. Pour ce faire, ils ont collecté une série d'ensembles de données contenant des visages de différentes femmes et les classements d'attractivité moyens correspondants donnés par des sujets humains.

Les visages de l'ensemble de données des chercheurs ont été rassemblés à partir d'une vidéo YouTube de style documentaire intitulée "Les 100 plus beaux visages de femmes du monde 2020", qui présentait des femmes de différentes origines ethniques. De plus, l'équipe a utilisé la base de données Lab London, un ensemble de données compilé par De Bruine et ses collègues qui comprend les visages d'hommes et de femmes âgés de 18 à 54 ans.

À l'aide de ces ensembles de données, Moridani, Jamiee et Saghafi ont formé différents modèles, dont un basé sur les k plus proches voisins (KNN) et un basé sur la régression des vecteurs de support (SVR). Ils ont ensuite testé la capacité de ces approches à estimer les scores d'attractivité que les humains pourraient donner à différents visages.

"Le modèle a utilisé des paramètres de caractéristiques faciales, tels que la symétrie et la proportion, comme entrée pour déterminer le classement de l'attractivité comme sortie", ont expliqué Moridani, Jamiee et Saghafi dans leur article.

"Nous avons évalué les performances de notre modèle de prédicteur entraîné à l'aide de plusieurs mesures, notamment le coefficient de détermination (R2), l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne en pourcentage (MAPE). La meilleure performance a été obtenue en utilisant le KNN pendant la phase de test, avec R2 = 0,9902, RMSE = 0,0056 et MAPE = 0,0856. Il a indiqué une amélioration significative de la précision de la prédiction de l'attractivité faciale par rapport aux études précédentes.

L'équipe a découvert que l'algorithme KNN donnait les meilleures prédictions de l'attractivité faciale, telle qu'elle est perçue par les humains. Remarquablement, leur modèle basé sur KNN s'est avéré plus performant que d'autres approches pour estimer l'attractivité faciale des visages humains introduites dans des articles précédents.

"Par rapport aux études précédentes dans ce domaine, notre approche montre une amélioration significative de la précision, avec un coefficient de corrélation supérieur à celui des évaluations humaines", ont ajouté Moridani, Jamiee et Saghafi dans leur article. "Ce travail a des implications importantes pour les domaines de la psychologie, des neurosciences et de l'informatique, car il offre une nouvelle perspective sur le concept d'attractivité faciale et sa quantification à l'aide de l'apprentissage automatique."

© 2023 Réseau Science X