Видение лиц в объектах: модель и набор данных для парейдолии.

Seeing Faces in Things: A Model and Dataset for Pareidolia

September 24, 2024

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

cs.AI

Аннотация

Человеческая зрительная система хорошо настроена на обнаружение лиц всех форм и размеров. Хотя это приносит очевидные выгоды для выживания, такие как лучший шанс обнаружить неизвестных хищников в кустах, это также приводит к ложным обнаружениям лиц. "Паредолия лица" описывает восприятие лицеподобной структуры среди в прочем случайных стимулов: увидеть лица в пятнах от кофе или облаках на небе. В данной статье мы изучаем паредолию лиц с точки зрения компьютерного зрения. Мы представляем набор данных изображений "Лица в предметах", состоящий из пяти тысяч веб-изображений с человеческими аннотациями паредолических лиц. Используя этот набор данных, мы исследуем, насколько современный детектор лиц демонстрирует паредолию и обнаруживаем значительный поведенческий разрыв между людьми и машинами. Мы находим, что эволюционная потребность человека в обнаружении лиц животных, а также человеческих лиц, может объяснить некоторые из этих различий. Наконец, мы предлагаем простую статистическую модель паредолии на изображениях. Проводя исследования на людях и наших детекторах паредолических лиц, мы подтверждаем ключевое предсказание нашей модели относительно того, какие условия изображения наиболее вероятно вызовут паредолию. Набор данных и веб-сайт: 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