Vedere volti nelle cose: un modello e un dataset per la pareidolia

Seeing Faces in Things: A Model and Dataset for Pareidolia

September 24, 2024

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

cs.AI

Abstract

Il sistema visivo umano è ben adattato per rilevare volti di tutte le forme e dimensioni. Sebbene ciò porti ovvie vantaggi in termini di sopravvivenza, come una maggiore probabilità di individuare predatori sconosciuti nella boscaglia, porta anche a rilevamenti di volti spurii. La "pareidolia dei volti" descrive la percezione di una struttura simile a un volto tra stimoli altrimenti casuali: vedere volti in macchie di caffè o nuvole nel cielo. In questo articolo, studiamo la pareidolia dei volti da una prospettiva di visione artificiale. Presentiamo un dataset di immagini di "Volti nelle Cose", composto da cinquemila immagini web con volti pareidolici annotati da umani. Utilizzando questo dataset, esaminiamo fino a che punto un rilevatore di volti umani all'avanguardia mostra pareidolia e troviamo una significativa discrepanza comportamentale tra umani e macchine. Scopriamo che la necessità evolutiva per gli esseri umani di rilevare volti animali, così come volti umani, potrebbe spiegare parte di questa discrepanza. Infine, proponiamo un semplice modello statistico di pareidolia nelle immagini. Attraverso studi su soggetti umani e i nostri rilevatori di volti pareidolici, confermiamo una previsione chiave del nostro modello riguardante le condizioni dell'immagine più probabili per indurre la pareidolia. Dataset e Sito Web: 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