From Perception to Algorithm: Quantifying Facial Distinctiveness with a Deep Convolutional Neural Network
Notice bibliographique
Résumé
Background: Face distinctiveness is a pivotal concept in face recognition, due to long-standing findings indicating that the rated typicality of a face is inversely related to its recognizability (e.g., Light et al., 1979). In traditional face space models (Valentine et al., 2016), distinctive faces are perceptually distant from the average or prototype face. Objectively measurable face spaces are available from deep convolutional neural network (DCNN), which are highly accurate at face recognition. Here we test whether DCNN models capture human-rated perceptions of face typicality, as well as other human-ratings (memorability, attractiveness, etc.). Method: We utilized FaceNet (Schroff et al., 2015, 2018), a pre-trained DCNN, to derive a distinctiveness index based on the average distance of a face to other faces in the DCNN space. First, we quantified distinctiveness for 418 male and 631 female faces using FaceNet's 512-dimensional embedding space and the cosine as a measure of distances. Second, we computed correlations between ach face’s distinctiveness and various human ratings of the same faces (Bainbridge et al., 2013). Results: Male faces classified as more distinctive are rated as less common (r = 0.27) and atypical (r = 0.21). Female faces classified as more distinctive are rated as less common (r = -0.35), more attractive (r = 0.37), more egotistical (r = 0.22), and more confident (r = 0.25) (all p < 0.001). Conclusion: DCNN provides a model of memory-related traits that relate to face distinctiveness across both genders. For female faces, distinctiveness also strongly correlates with personality and social attributes. This underscores the utility of DCNN models for understanding distinctiveness and face recognition. Current efforts focus on extending these findings using an alternate face distinctiveness model and another stimulus set to bolster the generalizability of our results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».