Gesichter in Dingen sehen: Ein Modell und Datensatz für Pareidolie.

Seeing Faces in Things: A Model and Dataset for Pareidolia

September 24, 2024

Autoren: Mark Hamilton, Simon Stent, Vasha DuTell, Anne Harrington, Jennifer Corbett, Ruth Rosenholtz, William T. Freeman

cs.AI

Zusammenfassung

Das menschliche visuelle System ist gut darauf eingestellt, Gesichter aller Formen und Größen zu erkennen. Obwohl dies offensichtliche Überlebensvorteile mit sich bringt, wie eine bessere Chance, unbekannte Raubtiere im Gebüsch zu entdecken, führt es auch zu irrtümlichen Gesichtserkennungen. „Gesichtsparäidolie“ beschreibt die Wahrnehmung gesichtsähnlicher Strukturen unter ansonsten zufälligen Reizen: Gesichter in Kaffeeflecken oder Wolken am Himmel zu sehen. In diesem Artikel untersuchen wir Gesichtsparäidolie aus der Perspektive der Computer Vision. Wir präsentieren einen Bild Datensatz von „Gesichtern in Dingen“, bestehend aus fünftausend Web-Bildern mit menschlich annotierten pareidolischen Gesichtern. Unter Verwendung dieses Datensatzes untersuchen wir, inwieweit ein hochmoderner menschlicher Gesichtsdetektor Gesichtsparäidolie aufweist, und stellen eine signifikante Verhaltenslücke zwischen Menschen und Maschinen fest. Wir stellen fest, dass das evolutionäre Bedürfnis der Menschen, Tiergesichter sowie menschliche Gesichter zu erkennen, einen Teil dieser Lücke erklären kann. Schließlich schlagen wir ein einfaches statistisches Modell der Pareidolie in Bildern vor. Durch Studien an menschlichen Probanden und unseren pareidolischen Gesichtsdetektoren bestätigen wir eine Schlüsselvorhersage unseres Modells bezüglich der Bildbedingungen, die am ehesten Pareidolie hervorrufen. Datensatz und Website: https://aka.ms/faces-in-things

English

The human visual system is well-tuned to detect faces of all shapes and sizes. While this brings obvious survival advantages, such as a better chance of spotting unknown predators in the bush, it also leads to spurious face detections. ``Face pareidolia'' describes the perception of face-like structure among otherwise random stimuli: seeing faces in coffee stains or clouds in the sky. In this paper, we study face pareidolia from a computer vision perspective. We present an image dataset of ``Faces in Things'', consisting of five thousand web images with human-annotated pareidolic faces. Using this dataset, we examine the extent to which a state-of-the-art human face detector exhibits pareidolia, and find a significant behavioral gap between humans and machines. We find that the evolutionary need for humans to detect animal faces, as well as human faces, may explain some of this gap. Finally, we propose a simple statistical model of pareidolia in images. Through studies on human subjects and our pareidolic face detectors we confirm a key prediction of our model regarding what image conditions are most likely to induce pareidolia. Dataset and Website: https://aka.ms/faces-in-things