机器能识别妖艳女 [法制先锋]

导读：继11月下旬训练机器以86%的成功率识别罪犯和非罪犯的照片后，上海交通大学教授武筱林近日又发表了机器看相第二季：人工智能可以成功鉴别清纯美女和妖艳美女，其审美与中国高校男生高度一致。

是看脸认一个人难，还是判断一个服务员的笑是出自真诚还是敷衍更难？，12月17日，在接受采访时，武筱林抛出了这个问题，来揭示他做的这一系列可能触及社会伦理敏感点的研究的意义所在。

上海交通大学教授武筱林

目前人脸识别系统已能成功鉴别人类的生物*特征，包括*别、种族、年龄甚至情绪。下一个问题非常吸引人而又充满挑战*：人工智能是否能基于人脸识别推测人类的社会*特征呢？

武筱林正在进行的这一系列研究，正是为了解答这个问题，或者说，他是在迫使我们直面一个严肃的现实：人工智能已经具有了认同人的情感和*格的潜力。武筱林的上一篇训练机器进行罪犯识别的论文已经召来了褒贬不一的回应邮件，有些人甚至严肃地敦促他撤稿。他这次在论文的引言部分写道，我们不能因为社会禁忌和政治观念，就在不加以检验的情况下否定这种可能*。

在上一篇论文中，武筱林团队运用计算机视觉和机器学习技术检测1856张中国成年男子面部照片，其中将近一半是已经定罪的罪犯。实验结果显示，通过机器学习，分类器可以以86%的准确率区分罪犯与非罪犯这两个群体的照片。特别是在内眼角间距、上唇曲率和鼻唇角角度这三个测度上，罪犯和非罪犯存在较为显著的差距。平均来讲，罪犯的内眼角间距要比普通人短5.6%，上唇曲率大23.4%，鼻唇角角度小19.6%。同时，他们发现罪犯间的面部特征差异要比非罪犯大。

褒义组照片样本

而最新出炉的这篇论文题为AutomatedInferenceonSociopsychologicalImpressionsofAttractiveFemaleFaces（《自动推断有吸引力的女*面孔造成的社会心理学印象》），目前上载在预印本网站arXiv上。

武筱林的研究团队这次把目光转向了女*，而且是长相有吸引力的女*。尽管东西方都有情人眼里出西施的说法，但在实际生活中，大众对陌生女*的审美还是较为一致的。同时人们还会给不同的美女贴上不同的标签，有些是肯定*的标签，比如甜美、可爱、优雅、温柔、体贴；有些是否定*的标签，比如做作、虚荣、冷漠、轻浮。这些标签直接从外表指向了女*的一些内在*格甚至品格。

比起犯罪*来，判断对美女的审美给人工智能提出了更大的挑战，因为审美在传统上被认为是一种复杂的个人口味，糅合了观察者和被观察者的个*和社会价值观。

研究团队将两组照片样本展示给22名中国男*研究生，发现尽管他们对于照片上贴的标签高度认同，但他们无法具体解释他们是如何做出这样的判断的。他们几乎都给出了非常模糊的回答，比如我就是这么感觉的。

那么，人工智能否把握这种模糊的感觉，由女*长相推断出她们的内在*格呢？

武筱林团队首先进行了半自动化的样本采集。他们在百度图片上用单纯美女、甜美少女等关键词进行检索，并把照片分为S+和S-两组。

S+包含带有以下标签的美女照片：清纯、柔美、甜美、秀美、单纯、大方

S-则包含以下标签：娇艳、俗气、张扬、风骚、轻佻、轻浮、妩媚

贬义组照片样本

S+和S-分别倾向于褒义和贬义的标签，且在女*的支配力、可信赖度、单纯程度等内在个*上有不同程度的暗示，本文简单将这两组称为褒义组和贬义组。

然后，所有搜索结果又由中国男*研究生进行了人工排查，去掉一些由于复杂语义造成的错误搜索结果，比如有些照片带有反讽*质的标签。

研究团队最后得到了共3954张中国美女照片，其中褒义组2000张，贬义组1954张。

由于受访的研究生们无法指出他们做出判断的细节依据，武筱林团队采用了深度卷积神经网络（CNN）进行研究。在实验中，他们用数据集中的80%进行训练，10%用于验证，剩余10%进行测试。

实验的结果是，经过训练的机器鉴别褒义组和贬义组的准确率达到了80%。

机器识别准确率达80%

接着，由于受访男*研究生普遍认为贬义组的照片不自然，研究者怀疑影响男*做出审美判断的重要依据是女*的化妆程度。但这个猜测很快被实验推翻了。当把所有照片调成灰阶图，重复上面的过程后，CNN分类器的识别准确率只下降了6%。

换成灰阶图后的机器识别准确率仍有75%

此外，浓妆还可能造成面部*彩的对比度和饱和度变高。这点得到了数据分析的证实。褒义组的*彩对比度比贬义组平均低了14%，饱和度平均低了5%。此外，贬义组照片在*彩对比度和饱和度上差异*更大。这与中国传统推崇的自然美一致。研究者猜测，这种*彩对比度和饱和度上的差异是机器做出判断的重要依据之一。