用于提升人脸识别算法可解释性的视觉心理物理学

关注人脸的科学领域发展了各自的概念和程序集合，用于理解目标模型系统（无论是人还是算法）在不同条件下如何感知人脸。在计算机视觉中，这主要表现为识别任务的数据集评估，其中使用汇总统计量来衡量进展。尽管总体性能持续提升，但理解导致失败的个体原因仍然困难，因为并不总是清楚为什么特定人脸无法被识别，或者为什么冒名顶替者会被算法识别。重要的是，研究视觉的其他领域通过使用视觉心理物理学解决了这一问题：对刺激进行受控操纵，并仔细研究它们在模型系统中引发的反应。在本文中，我们提出视觉心理物理学是使人脸识别算法更具可解释性的一种可行方法。我们开发了一套全面的程序来评估人脸识别算法的行为，随后将其部署于最先进的卷积神经网络以及更基础但仍被广泛使用的浅层和手工特征方法上。