Anderson์ ๊ด์
AI์ ๋ฏธ์ ์ถ๊ตฌ
새로운 AI 기반 미 평가 시스템은 얼굴의 매력을 평가하며, 일반적인 深層學習 모델보다 더 빠르게 학습하여 대규모 자동 미평가를 더 실용적으로 만들 수 있습니다.
Facial Beauty Prediction (FBP)은 큰 비즈니스이며, 연구 문헌에서 비교적 강한 스트랜드입니다. 이것은 실제로 AI 및 기계 학습 관행에서 편향을 구축하는 거의 모든 원칙을 깨뜨리며, 또한 알고리즘적 인식에서 여성의 객관화 및還原主義을 지원하는 많은 방면에서, 이것은 여전히 여러 대형 산업의 관심을 끌며, 대부분이 여성에게 직접적으로 향한 것들입니다. 예를 들어, 화장품, 미용 성형 수술, 실시간 스트리밍, 패션 등입니다:
여성은 1에서 5까지 평가되었습니다. ‘Asian Female Facial Beauty Prediction Using Deep Neural Networks via Transfer Learning and Multi-Channel Feature Fusion’이라는 논문에서 가져온 것입니다. 출처
이러한 명백한 여성 중심 비즈니스 단지 외에도, 광고 및 여러 산업, 예를 들어 엔터테인먼트 및 출판 등은 모두 미의 이해에서 중요한 자리를 차지하고 있습니다. 이것은 문화별로 무엇이 매력적인지 이해하는 것이 필요합니다.
미의 집합적 인식이 지역에 따라 다르다는 사실은 전역적으로 적용 가능한 데이터 세트를 얻을 수 없으며, 새로운 연구는 либо 지역적이어야 하거나 다양한 문화 데이터에 적용할 수 있는 ‘고급’ 방법에 집중해야 함을 의미합니다.
2015 년 SCUT-FBP 프로젝트를 위한 얼굴 미 평가 시스템의 인터페이스입니다. 출처
종종 지리적 위치만이 제한은 아닙니다. 미에 초점을 맞춘 데이터 세트는 성별 또는 특정 응용 프로그램을 위해 수집된 경우에 걸쳐 동일한 효ิภาพ을 제공하는 데 어려움을 겪을 수 있으며, 이것은 데이터의 다른 도메인에서 사용을 제한할 수 있습니다.
예를 들어, 2025 년에 저는 보고했습니다. 라이브 스트리밍에서 매력을 평가하기 위한 비교적 대규모 (100,000 + ID) 데이터 세트의 개발에 대해, 그들의 근접된 표준은 더 넓은 프로젝트에 대한 적응이 필요할 수 있습니다.
얼굴 렌더링
위의 링크와 이미지에서 명확한 것처럼, 아시아 연구 기관은 종종 서양의 문화적 제한을 받지 않습니다. 서양의 연구 기관은 과학적 일러스트레이션에서 5 명의 서양 여성을 매력적인 정도에 따라 평가하는 것을 발행하기가 어려울 것입니다.
서양의 시스템이 공개적으로 효과가 입증되면, 서양의 관심은 비판 없이 연구를 추구할 수 있는 지역에 시스템을 사용하거나 적응시킬 수 있습니다. 여성의 ‘평가’작업은 비판 없이 추구할 수 있는 지역으로 렌더링됩니다.
서양의 동등한 시스템이 공개적 협력과 공개 검토에서 멀어지는지, 또는 그렇지 않은지 여부와 상관없이, 목표는全球적으로 관심을 끌기 때문에, 많은 전문 분야에서 정확한 매력 평가에서 이익을 얻을 수 있습니다.
최강 생존
거대한 웹에서 스크래핑할 수 있는 корпус인 Tik Tok, Instagram 및 YouTube는 매력을 평가하기 위한 훌륭한 중재자로 입증될 수 있으며, 팔로워, 좋아요 및 트래픽을 매력적으로 연관시킵니다. 이것은 일반적이며 합리적인 연관성입니다 (그러나 일부 예외가 있습니다).
기존의 컬렉션, 예를 들어 ImageNet 및 LAION은 ‘최상단’에 오른 배우 및 모델을 특징으로 하는데, 일반적으로 매력적인 개인을 특징으로 하는데, 더 넓은 문화 메커니즘을 매력의 프록시로 사용할 수 있습니다.
그러나 이것은 사람들이 시간이 지남에 따라 (지리적으로는 말할 필요도 없이) 매력적인 것을 찾는 취향이 변하는 것을 설명하지 않습니다. 따라서, 다시 한번, 높은 수준의 시스템과 데이터에 구애받지 않는 시스템이 필요합니다. 개별적이고 의심스러운 컬렉션 또는 큐레이션이 아닙니다. 그것들은 변하는 취향을 반영하지 못할 것입니다.
조합 피부
이 문제를 해결하기 위한 최신 학술적 접근은 중국에서 나왔으며, 전이 학습과 Broad Learning System (BLS)을 결합하여 정확도와 계산 비용 간의 오랜 트레이드 오프를 해결합니다.
기존의 신경망은 강력한 결과를 얻기 위해 많은 훈련이 필요하지만, 가벼운 시스템인 BLS는 빠르게 훈련되지만, 충분한 세부 사항을 캡처하는 데 어려움을 겪습니다. 새로운 연구는 전이 학습을 사용하여 얼굴 특징을 추출하고, 빠른 BLS 기반 시스템으로 평가를 위한 특징을 전달하여, 특징을 재사용할 수 있도록 합니다.
LSAFBD 데이터 세트의 샘플 이미지, 1에서 5까지의 인간이 할당한 미평점으로 그룹화된 여성 얼굴을 보여줍니다. 출처
첫 번째 변형인 E-BLS는 추출된 특징을 직접 가벼운 시스템으로 피드합니다. 두 번째 변형인 ER-BLS는 중간 단계를 추가하여 특징을 표준화하고 정제하여 일관성을 개선합니다.
테스트 결과, 저자는 उनक의 접근 방식이 다른 방법보다 우수하다고 주장합니다.
새로운 논문은 전이 학습과 Broad Learning System을 융합한 얼굴 미 예측이라고 제목이 붙여졌으며, 우이 대학의 6명의 연구자에 의해 수행되었습니다.
방법
위에서 언급한 Broad Learning System은 深層學習 모델의 대안으로, 여러 층을 쌓는 대신, 더 прост한 연결을 통해 학습을 확장하여 모델을 빠르게 훈련할 수 있습니다.
첫 번째 변형인 E-BLS는 전이 학습과 BLS를 결합하여 얼굴의詳細한 시각적 특징을 추출하고, 최종 예측을 위해 BLS로 전달하여, 전체 深層學習 모델을 처음부터 훈련할 필요가 없습니다.
E-BLS 모델의 아키텍처 스키마.
두 번째 변형인 ER-BLS는 중간 단계를 추가하여 추출된 특징을 표준화하고 정제하여 일관성을 개선합니다.
ER-BLS 모델의 아키텍처.
데이터 및 테스트
저자는 SCUT-FBP5500 데이터 세트를 사용하여 접근 방식을 테스트했습니다. 이 데이터 세트는 5,500개의 정면 얼굴 이미지로 구성되어 있으며, 다양한 인종, 성별 및 연령을 특징으로 합니다.
SCUT-FBP5500 데이터 세트의 샘플 이미지, 1에서 5까지의 미평점으로 평가된 여성 얼굴을 보여줍니다.
각 이미지에는 60명의 자원봉사자가 1에서 5까지의 미평점을 부여했습니다.
저자는 또한 LSAFBD 데이터 세트를 사용하여 테스트를 수행했습니다. 이 데이터 세트는 80,000개의 여성 얼굴 이미지로 구성되어 있으며, 다양한 포즈와 배경을 특징으로 합니다.
LSAFBD 데이터 세트의 샘플 이미지, 1에서 5까지의 미평점으로 평가된 여성 얼굴을 보여줍니다.
테스트 결과, E-BLS와 ER-BLS는 다른 모델보다 높은 정확도를 달성했습니다. 훈련 시간은 深層學習 모델보다 훨씬 짧았습니다.
결론
이 논문은 비교적 오래된 연구입니다. 그러나 이것은 인간의 경험과 주관적 해석에 깊이触れる 목표입니다. 이것은真正로 탄탄한 파이프라인을 제공하는 스키마가 필요합니다.
처음으로 2026년 3월 19일에 게시되었습니다.
