[论文解读] SCUT-FBP: A Benchmark Dataset for Facial Beauty Perception

Duorui Xie, Lingyu Liang+3 more|arXiv (Cornell University)|Nov 8, 2015

Evolutionary Psychology and Human Behavior参考文献 22被引用 11

一句话总结

本论文提出了SCUT-FBP，一个包含500张亚洲女性面部肖像的基准数据集，其吸引力评分经人工验证，可实现对人脸美感感知模型的可靠评估。通过使用经典特征与深度学习（CNN），研究实现了0.8187的皮尔逊相关系数，确立了该数据集作为人脸吸引力预测研究的稳健基准。

ABSTRACT

In this paper, a novel face dataset with attractiveness ratings, namely, the SCUT-FBP dataset, is developed for automatic facial beauty perception. This dataset provides a benchmark to evaluate the performance of different methods for facial attractiveness prediction, including the state-of-the-art deep learning method. The SCUT-FBP dataset contains face portraits of 500 Asian female subjects with attractiveness ratings, all of which have been verified in terms of rating distribution, standard deviation, consistency, and self-consistency. Benchmark evaluations for facial attractiveness prediction were performed with different combinations of facial geometrical features and texture features using classical statistical learning methods and the deep learning method. The best Pearson correlation (0.8187) was achieved by the CNN model. Thus, the results of our experiments indicate that the SCUT-FBP dataset provides a reliable benchmark for facial beauty perception.

研究动机与目标

• 开发一个可靠、大规模的基准数据集，用于人脸美感感知研究，并提供标准化的吸引力评分。
• 评估不同面部特征组合（几何特征与纹理特征）在预测人脸吸引力方面的表现。
• 在所提出的数据集上，对比经典统计学习方法与深度学习（CNN）的性能。
• 为人脸吸引力预测研究建立一致性和可靠性标准。
• 提供一个公开可用的数据集，以支持美感感知算法评估的可重复性。

提出的方法

• SCUT-FBP数据集包含500张高质量的亚洲女性面部肖像，每张图像均由多名人工标注者进行吸引力评分。
• 通过验证评分一致性、标准差及自我一致性，确保数据的可靠性并减少偏差。
• 提取面部几何特征（如面部形状、对称性）和纹理特征（如皮肤纹理、肤色）作为模型输入。
• 使用这些特征的组合训练经典机器学习模型，以预测吸引力得分。
• 端到端训练卷积神经网络（CNN）以从原始面部图像中学习分层表征，用于吸引力预测。
• 通过预测值与实际吸引力评分之间的皮尔逊相关系数评估模型性能。

实验结果

研究问题

• RQ1 在标准化数据集上，基于经典特征的模型在预测人脸吸引力方面的表现如何？
• RQ2 深度学习模型（CNN）与经典方法在预测人脸吸引力方面相比如何？
• RQ3 SCUT-FBP数据集在标注者之间在评分可靠性与一致性方面达到何种程度？
• RQ4 统一的基准数据集在多大程度上能提升人脸美感感知研究的可重复性与可比性？
• RQ5 几何特征与纹理特征的最佳组合是什么，以实现最优的人脸吸引力预测？

主要发现

• SCUT-FBP数据集在标注者之间实现了高可靠性，经验证的评分一致性、标准差及自我一致性表现良好。
• 表现最佳的模型为CNN，其与真实吸引力评分的皮尔逊相关系数达到0.8187。
• 使用几何与纹理特征组合的经典模型表现中等，但其准确性仍不及CNN。
• 该数据集的标准化评分与大规模特性，使其适用于未来人脸吸引力预测算法的基准测试。
• 结果证实，深度学习模型在该数据集上的表现优于传统基于特征的方法。
• 本研究确立了SCUT-FBP作为人脸美感感知研究中可靠且高效的基准。