Estudos anteriores de psicologia e neurociência frequentemente investigaram como os humanos percebem rostos diferentes durante as interações sociais. Alguns estudos sugerem que, em média, os humanos tendem a achar alguns rostos mais atraentes do que outros, portanto, suas avaliações para rostos específicos podem ser semelhantes.

Recentemente, os cientistas da computação têm tentado usar o aprendizado de máquina para prever o quão atraentes os humanos normalmente achariam rostos diferentes. Embora alguns desses modelos tenham alcançado resultados promissores, nem todos podem generalizar bem em diferentes imagens.

Pesquisadores da Universidade Islâmica Azad, em Teerã, criaram um novo modelo para avaliar a atratividade facial de diferentes rostos humanos em imagens. Esse modelo, apresentado no International Journal of Cognitive Computing in Engineering , foi encontrado para prever as pontuações médias de atratividade que os humanos atribuíram a rostos diferentes com notável precisão.

“Este artigo apresenta uma nova abordagem para o problema de prever a atratividade facial usando aprendizado de máquina e técnicas de visão computacional”, escreveram Mohammad Karimi Moridani, Nahal Jamiee e Shaghayegh Saghafi em seu artigo. “Nosso principal objetivo é investigar se uma máquina inteligente pode aprender e prever com precisão a atratividade facial com base em regras objetivas de características faciais ”.

Moridani, Jamiee e Saghafi inicialmente testaram diferentes abordagens de aprendizado de máquina na tarefa de prever como os humanos avaliariam a atratividade dos rostos. Para fazer isso, eles coletaram uma série de conjuntos de dados contendo rostos de diferentes mulheres e as correspondentes classificações médias de atratividade dadas por seres humanos.

Os rostos no conjunto de dados dos pesquisadores foram coletados a partir de um vídeo do YouTube em estilo de documentário chamado "Os 100 rostos femininos mais bonitos do mundo 2020", que apresentava mulheres de diferentes origens étnicas. Além disso, a equipe usou o Lab London Database, um conjunto de dados compilado por De Bruine e seus colegas que inclui rostos de homens e mulheres entre 18 e 54 anos.

Usando esses conjuntos de dados, Moridani, Jamiee e Saghafi treinaram diferentes modelos, incluindo um baseado em k vizinhos mais próximos (KNN) e outro baseado em regressão de vetores de suporte (SVR). Eles então testaram a capacidade dessas abordagens para estimar as pontuações de atratividade que os humanos podem atribuir a rostos diferentes .

“O modelo usou parâmetros de características faciais, como simetria e proporção, como entrada para determinar a classificação de atratividade como saída”, explicaram Moridani, Jamiee e Saghafi em seu artigo.

"Avaliamos o desempenho de nosso modelo preditor treinado usando várias métricas, incluindo o coeficiente de determinação (R2), raiz quadrada média do erro (RMSE) e erro percentual médio absoluto (MAPE). O melhor desempenho foi alcançado usando o KNN algoritmo durante a fase de teste, com R2 = 0,9902, RMSE = 0,0056 e MAPE = 0,0856. Ele indicou uma melhoria significativa na precisão da previsão de atratividade facial em comparação com estudos anteriores."

A equipe descobriu que o algoritmo KNN produziu as melhores previsões de atratividade facial, conforme percebido pelos humanos. Notavelmente, descobriu-se que seu modelo baseado em KNN supera outras abordagens para estimar a atratividade facial de rostos humanos introduzidos em artigos anteriores.

“Em comparação com estudos anteriores nesta área, nossa abordagem mostra uma melhoria significativa na precisão, com um coeficiente de correlação maior do que as avaliações humanas”, acrescentaram Moridani, Jamiee e Saghafi em seu artigo. “Este trabalho tem implicações significativas para os campos da psicologia, neurociência e ciência da computação, pois fornece uma nova perspectiva sobre o conceito de atratividade facial e sua quantificação usando aprendizado de máquina”.