Gezichten zien in dingen: Een model en dataset voor pareidolia.

Seeing Faces in Things: A Model and Dataset for Pareidolia

September 24, 2024

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

cs.AI

Samenvatting

Het menselijk visuele systeem is goed afgestemd op het detecteren van gezichten van allerlei vormen en groottes. Hoewel dit duidelijke overlevingsvoordelen met zich meebrengt, zoals een betere kans om onbekende roofdieren in het struikgewas op te merken, leidt dit ook tot onjuiste detecties van gezichten. "Gezichtspareidolie" beschrijft de perceptie van gezichtsachtige structuren tussen verder willekeurige stimuli: het zien van gezichten in koffievlekken of wolken in de lucht. In dit artikel bestuderen we gezichtspareidolie vanuit een computervisieperspectief. We presenteren een beeldendataset van "Gezichten in Dingen", bestaande uit vijfduizend webafbeeldingen met door mensen geannoteerde pareidolische gezichten. Met behulp van deze dataset onderzoeken we in hoeverre een geavanceerde menselijke gezichtsdetector pareidolie vertoont, en vinden we een significant gedragsverschil tussen mensen en machines. We concluderen dat de evolutionaire behoefte van mensen om dierengezichten, evenals menselijke gezichten, te detecteren, een deel van dit verschil kan verklaren. Tot slot stellen we een eenvoudig statistisch model van pareidolie in afbeeldingen voor. Door studies op menselijke proefpersonen en onze pareidolische gezichtsdetectoren bevestigen we een belangrijke voorspelling van ons model met betrekking tot welke beeldomstandigheden het meest waarschijnlijk pareidolie zullen veroorzaken. Dataset en 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