设为首页 - 加入收藏

广告 1000x90
您的当前位置:主页 > 头条探索 > 正文

资源 | 神经网络通知我,谁是世界上最「美」的人?

来源:环境保护 编辑:洞山环境网 时间:2018-04-16
数据集中还有不少名人。Julia Robert 的这张相片获得了 3.78 的都衡分: 巴列斯坦名模 Bar Refaeli 这张相片得分 3.7: 彷佛分也不高嘛,可是 3.7 的得分意味着比数据集中年夜约 80% 的人要好看。 数据集作者利用该数据集熬炼多个模型,试验根据人脸相片预测这小我的魅力。 成果 该论文运用 2 种技术熬炼模型:5-fold 交叉考证、60%-40% 的熬炼集-测试集朋分。论文作者运用皮尔逊有关联数(PC)、都衡绝对误差(MAE)和都方根差(RMSE)对成果进行衡量。5-fold 交叉考证的成果如下: 我将运用 80%-20% 的熬炼集-测试集朋分,类似执行他们的交叉考证的 1-fold。成果如下: RMSE: 0.301799791952313MAE: 0.2333630505619627PC: 0.9012570266136678 相当不错。另外,检验分数散点图和直方图异常便利: 原始分数散布(正态): 预测分数散布(正态): 成果看起来不错。如今咱们来看下这个深度神经网络给我打几分吧。我一开始用了这张相片: 得分 2.85,我只比该数据集中 52% 的人好看 不得不谈有点失望,我底本以为成果比这好,于是我决定再尝尝。 我拍了不少相片,最后有一张得了 3.15 分,这意味着我比该数据集中 64% 的人更佳看~ 好多了~诚实讲我也是想得更高分~ :) 最终解释一下,我运用 Google Colaboratory 构建和调整模型,它供给 Python notebook,得以没有偿运用 GPU! 论文:SCUT-FBP5500: A Diverse Benchmark Dataset for Multi-Paradigm Facial Beauty Prediction 论文衔接:https://arxiv.org/abs/1801.06345 摘要:颜值预测(facial beauty prediction,FBP)是使人脸魅力评价达到人类体会程度的重年夜视觉鉴别问题。为熟知决该问题,不合的数据启动模型,尤其是当前最优的深度研习技术被引入,基准数据集成为实现 FBP 的需要因素。之前的研究将颜值鉴别作为一个特定的分类、回归或排序的监督研习问题,注解 FBP 本质上是一个具备多个范式的打算问题。可是,年夜有些 FBP 基准数据集是在特定的打算约束下构建的,这限定了在该数据集上熬炼的模型的性能和灵活性。本论文中,咱们认为 FBP 是一个多范式的打算问题,并提出一种新的多元化基准数据集 SCUT-FBP5500,来实现多范式颜值预测。该数据集共有 5500 小我脸正面相片,这些相片具备不合属性(男性/女性,年龄等)和不合标签(面部地标、颜值得分(1~5)、颜值得疏散布),允许具备不合 FBP 范式的不合打算模型,如基于外表/身材的欧洲人/高加索人的男性/女性的颜值的分类/回归模型。咱们运用不合的特征和预测器组合、不合的深度研习方法评价 SCUT-FBP5500 数据集,成果注解在该数据集上 FBP 有所改良,且具备潜在应用。

Top