SpiderNets：视觉模型从恐惧图像预测人类恐惧
计算机视觉与模式识别
2026-02-02 v2 人工智能
人机交互
机器学习
摘要
恐惧症非常常见且会影响生活，暴露疗法（即让患者面对恐惧刺激的视觉 stimuli）是最有效的治疗方法。可规模化的计算机化暴露疗法需要自动从图像内容预测恐惧，以适应刺激选择和治疗强度。然而，这类预测能否可靠且在不同个体和不同刺激之间具有普适性，尚不为人知。本文展示了经过微调的预训练卷积和变换器视觉模型，能够准确预测 spider 相关图像的群体水平感知恐惧，即使在新的人和新的图像上评估也能实现 0-100 恐惧量表上的平均绝对误差（MAE）低于 10 个单位。视觉解释分析表明，预测由图像中的 spider-specific 区域驱动。学习曲线分析显示，变换器模型在数据效率方面表现出色，在约 300 张图像的可用数据上即可接近性能饱和。预测误差在极低和极高恐惧水平以及特定图像类别中会增加。这些结果为从图像中建立透明、数据驱动的恐惧估计，为自适应数字心理健康工具奠定了基础。
引用
@article{arxiv.2509.04889,
title = {SpiderNets: Vision Models Predict Human Fear From Aversive Images},
author = {Dominik Pegler and David Steyrl and Mengfan Zhang and Alexander Karner and Jozsef Arato and Frank Scharnowski and Filip Melinscak},
journal= {arXiv preprint arXiv:2509.04889},
year = {2026}
}
备注
65 pages (32 main text, 33 appendix), 20 figures (5 in main text, 15 in appendix)