Describable visual facial attributes are now commonplace in human biometrics
and affective computing, with existing algorithms even reaching a sufficient
point of maturity for placement into commercial products.
通过实验研究探究神经网络如何处理和储存面部表情数据,并将这些数据与人类产生的各种心理属性相联系,表明深度学习模型在理解人类情绪和认知过程方面具有潜力,非欧几里德空间视角下的认知产品或心理属性的多样化可视化解释不仅提供了对 AI 的可解释性的新见解,还推动了 AI 技术在心理学领域的应用和心理信息处理的新的理论理解。
本文研究了各种影响人格认知的可能偏见源,包括面部表情情绪、吸引力、年龄、性别和种族,以及它们对表观人格估计的影响。使用多模态深度神经网络,综合音频和视觉信息,以及特定属性模型的预测来回归表观人格,并在 ChaLearn First Impressions 数据集上展示了最新的结果。此外,还提供了一种可解释性的网络设计,对每种可能的偏见源对最终网络预测的影响进行了增量分析。