Algorytm widzenia maszynowego uczy się rozpoznawać ukryte wyrazy twarzy

Większość ludzi jest dobra w rozpoznawaniu zwykłych emocji na twarzach innych ludzi. Ale jest jeszcze inny wyraz twarzy, którego większość ludzi prawie nie zdaje sobie sprawy. Pod koniec lat 60. psycholodzy odkryli, że kiedy ludzie próbują ukryć swoje emocje, często pokazują swoje prawdziwe uczucia w mikroekspresjach, które pojawiają się i znikają w mgnieniu oka.

Te ulotne mimiki od tego czasu fascynują psychologów i opinię publiczną. Okazuje się, że podczas gdy większość ludzi jest całkowicie nieświadoma mikroekspresji, niewielka podgrupa osób może je dokładnie wykryć i użyć ich, aby stwierdzić, kiedy ludzie ukrywają swoje prawdziwe uczucia lub kiedy kłamią.

Powstała znacząca branża, która koncentruje się na szkoleniu ludzi, aby lepiej rozpoznawali mikroekspresje. Funkcjonariusze organów ścigania i agenci antyterrorystyczni są często szkoleni w ten sposób w nadziei, że pomoże im to wykryć osoby, które nie knują nic dobrego. To, czy to szkolenie działa, jest przedmiotem wielu dyskusji – może się zdarzyć, że większość ludzi nie ma umiejętności sensorycznych i poznawczych, aby wyłapać mikroekspresje, niezależnie od tego, jakie szkolenie otrzymują.

Ale jest inny sposób na wykrycie mikroekspresji. W ostatnich latach widzenie maszynowe poprawiło się w tak szybkim tempie, że zaskoczyło nawet ekspertów w tej dziedzinie. Dziś maszyny wyposażone w najlepsze algorytmy sztucznej inteligencji mogą rutynowo przewyższać ludzi w rozpoznawaniu obiektów i twarzy, a także zaczęły dopasowywać je do rozpoznawania mimiki i ładunku emocjonalnego, jaki niosą ze sobą.

To rodzi ciekawą perspektywę. Czy maszyny mogą wkrótce stać się lepsze w rozpoznawaniu mikroekspresji niż ludzie? Dziś otrzymujemy odpowiedź dzięki pracy Xiaobai Li na Uniwersytecie w Oulu w Finlandii i kilku kumplom. Ci faceci zbudowali i przetestowali pierwszy system widzenia maszynowego zdolny do wykrywania i rozpoznawania mikroekspresji i mówią, że jest już lepszy od ludzi w tym zadaniu.

Szybki rozwój sztucznej inteligencji w ostatnich latach nastąpił częściowo dzięki ulepszonym metodom obliczeniowym. Ale te maszyny są bezużyteczne bez rozległych i dokładnych baz danych do ich szkolenia.

Tak więc pierwszym zadaniem dla Li i co było stworzenie bazy filmów pokazujących mikroekspresje w realistycznych warunkach. Łatwiej to powiedzieć niż zrobić. Mikroekspresje mają tendencję do występowania, gdy jednostki ukrywają swoje uczucia w warunkach o stosunkowo wysokiej stawce.

To nie jest łatwe do odtworzenia. Rzeczywiście, wiele wcześniejszych prac koncentrowało się na wyrażeniach pozowanych, ale różni psychologowie zwracali uwagę na ograniczenia tej metody, między innymi na to, że mikroekspresje wyglądają znacząco inaczej niż wyrażenia pozowane.

Li i spółka zajęli się tym problemem, prosząc grupę 20 osób o obejrzenie serii filmów mających na celu wywołanie wśród nich silnych emocji. Osoby te otrzymały silną zachętę do unikania okazywania jakichkolwiek emocji podczas wykonywania zadania: powiedziano im, że będą musieli wypełnić długi, nudny kwestionariusz wyjaśniający wszelkie emocje, które okazywali.

W rezultacie 16 z 20 osób wytworzyło między sobą 164 mikroekspresje, które zespół zarejestrował za pomocą szybkiej kamery z szybkością 100 klatek na sekundę. Zespół powiązał wyświetlane emocje z emocjonalną treścią filmów, dając im bazę danych o złotym standardzie, za pomocą której można trenować algorytm uczenia maszynowego.

Zadanie rozpoznawania mikroekspresji dzieli się na dwie części. Pierwszym z nich jest dostrzeżenie ulotnej zmiany rysów twarzy, która charakteryzuje mikroekspresję. Druga to identyfikacja emocji, które ona pokazuje.

Zespół rozwiązał pierwszy problem, używając jako standardu pojedynczej klatki przedstawiającej twarz badanej osoby i porównując z nią wszystkie kolejne kadry, aby określić, jak zmienił się wyraz twarzy. Każda zmiana powyżej pewnego progu została zdefiniowana jako mikroekspresja, a obrazy te odłożono do dalszej analizy.

Rozpoznawanie wyrażeń jest na ogół trudniejsze, ponieważ mikroekspresje są zwykle mniej wyraźne niż zwykłe wyrażenia. Jednym z głównych wyzwań dla rozpoznawania mikroekspresji jest to, że poziomy intensywności ruchów twarzy są zbyt niskie, aby można je było odróżnić, powiedzmy Li i spółka.

Zespół rozwiązał to za pomocą algorytmu, który powiększa wyrażenia. Działa to poprzez identyfikację części twarzy w ruchu, gdy zmienia się wyraz twarzy i zniekształcenie twarzy, aby przenieść je dalej.

Ten proces musi być starannie stosowany. Na przykład Li i współpracownicy twierdzą, że nie mogą go używać do wykrywania mikroekspresji, ponieważ algorytm wzmacnia wszystkie ruchy, takie jak obracanie głową, a nie tylko ekspresje. Jest więc stosowany tylko do ramek zidentyfikowanych przez opisany powyżej proces wykrywania.

Na koniec algorytm klasyfikuje pokazywaną emocję jako pozytywną, negatywną lub zaskoczenie, czego uczy się na podstawie treningowej bazy danych.

Ciekawym pytaniem jest, jak dobrze to podejście działa w porównaniu z ludzką wydajnością. Aby się tego dowiedzieć, zespół poprosił 15 osób o zidentyfikowanie ekspresji wyświetlanej w filmach zawierających tylko mikroekspresje (więc nie musieli wybierać mikroekspresji z dłuższych sekwencji). Kolejne 15 osób obejrzało całe filmy i musiało wykryć każdą mikroekspresję, a także ją zidentyfikować.

Wyniki stanowią ciekawą lekturę. Maszyna Li i co dopasowała ludzką zdolność do wykrywania i rozpoznawania mikroekspresji i znacznie przewyższała ludzi w samym zadaniu rozpoznawania.

Zespół twierdzi, że nasza metoda jest pierwszym systemem, który kiedykolwiek przetestowano na twardym spontanicznym zestawie danych mikroekspresji, zawierającym naturalne mikroekspresje. Znacznie przewyższa ludzi w rozpoznawaniu mikroekspresji i działa podobnie do ludzi w połączonym zadaniu wykrywania i rozpoznawania mikroekspresji.

To nie jest złe przy pierwszej próbie, a te maszyny wyraźnie szybko się poprawią.

Wymyślanie aplikacji nie jest trudne. Li i współpracownicy wybierają wykrywanie kłamstw, egzekwowanie prawa i psychoterapię, ale łatwo sobie wyobrazić, że jest to wykorzystywane podczas rozmów kwalifikacyjnych i ocen, a nawet w urządzeniach typu Google Glass w życiu codziennym.

Wkrótce nie będzie gdzie się schować.

Nr ref.: arxiv.org/abs/1511.00423 : Czytanie ukrytych emocji: spontaniczne wykrywanie i rozpoznawanie mikroekspresji

ukryć