新型人工智能 Photofeeler-D3 可以预测人们对照片或视频的第一印象。现在，您不必为 Instagram 选择最佳照片而苦苦挣扎。
Photofeeler-D3 因其对Photofeeler网站上的约会类别的三个特征（智力、信任、吸引力）进行评级而得名。
使用人工智能来预测照片的吸引力似乎并不是一个新想法。它已经被实施了很多次，甚至在文献中得到了一个名字：“面部美容预测”。
但现有方法表现不佳
与真实人们的评分匹配约 52%。 Photofeeler 使用基于人类意见的更准确的算法。
准确性基于 15 人的平均意见
Photofeeler-D3 ¸Ð1 Ð´Ð»Ñ Ñ‡ÐµÑ€Ñ‚ ѡС
Photofeeler 基于经过 1 亿条真实意见训练的神经网络。得益于其广泛的数据集，Photofeeler 的得分将与随机 15 个人的平均照片意见大致相同。该评级显示了照片中的人看起来有多聪明、值得信赖和有吸引力。到目前为止，现有的解决方案都无法与同级别的真实人的判断相媲美。
在撰写本文时，Photofeeler-D3 达到了以下比率：
请注意，男性吸引力比女性吸引力更难预测。这是因为真正的女性对男性有各种各样的看法。
使用示例
Photofeeler-D3 不断发展，但即使其当前版本也提供了多种用例：
从许多相似的照片中找到最好的照片
Photofeeler-D3
我们经常拍摄几张类似的照片，然后花很多时间选择最好的一张。为什么不使用神经网络来实现这一点呢？不再为寻找好的头像而烦恼！人像摄影师将能够快速选择好镜头进行拍摄。
拍摄时获取反馈
人工智能可以在您拍摄时提供反馈，帮助您选择最佳角度、姿势和面部表情，例如：
一些有趣的事实：
– 注意“智力”如何在其他特征中脱颖而出，直到这个人摘下眼镜；
– 不戴眼镜，吸引力等级增加；
19 世纪初电报的发明标志着通信技 电报数据 术发展的关键时刻。这种革命性的设备使信息能够在很远的距离上即时传输，从根本上改变了社会在经济、政治和社会方面的互动方式。电报的核心是通过对信息进行编码来运作的。
— 眨眼时点数掉落；
——视频最后真诚的微笑后获得最高收视率。
为在线商店创建推荐系统
如上面的视频演示所示，Photofeeler-D3 可以在视觉试衣间顶部使用，以设计眼镜、珠宝和化妆品的造型。
自动处理照片
神经网络可以找到编辑照片的最佳选项（裁剪、亮度、对比度），从而创造出最令人愉悦的印象。这将有助于消除在 Afterlight 或 VSCOcam 中选择正确滤镜的漫长过程。
根据视觉偏好定位图像
使用偏好发现模型，Photofeeler 将通过回答以下问题来预测照片的合适受众：“这张照片会引起年轻或年长选民的积极反应吗？男人还是女人？美国人还是欧洲人？
广告代理商可以使用此功能来选择广告活动的图像。
根据个人喜好在约会应用上寻找人
人工智能将帮助识别对彼此最有吸引力的用户。
为什么 Photofeeler-D3 这么好？
与其他现有解决方案不同，Photofeeler 对照片的个人印 什么是敏捷学习？如何申请？ 象进行建模，而不是尝试预测准确的分数。没有通用的吸引力分数，只能预测许多意见的平均值，就像 Photofeeler 所做的那样。其 VoterStyles 算法还考虑到人们对彼此的评价不同这一事实。
光电探测器方法可应用于任何小型且嘈杂的数据集，以提高可靠性。您可以将它们用于产品评估、公众调查、众包等。
Photofeeler-D3 会取代 Photofeeler 网站上真人的评分吗？
还没有。神经网络仍然可能在一些奇怪或意想不到的照片中出错。出于这些原因，研究人员计划根据真实的人类评分继续提高 Photofeeler-D3 的准确性。
接下来怎么办？
未来，开发人员希望创建一个能够提供 9 个指标估计值的神经网络。除了约会类别中的智力、信任和吸引力之外，他们还将在社交和商业类别中添加 6 个参数。还计划改进 VoterStyles 算法。目前仅根据要求向研究人员提供 Photofeeler-D3 的有限演示。原始文章可在Photofeeler 博客上找到。
假设我们在印度加尔各答市，今天的气温为 32 摄氏度。这是正常温度吗？如果没有额外的信息，很难回答这个问题：您需要知道一年中的时间、地点、过去 10 年的日平均温度等。如果加尔各答是夏天，那么这个温度将是常态。但如果是冬天，那么你就需要更深入地探索情况。
让我们再举一个例子：我们都知道气候的巨大变化正在导致全球变暖。你可以参考最新消息：“今年的阿拉斯加三月异常温暖，这是历史上从未有过的。”
请注意“异常温暖”这个短语。对于阿拉斯加来说，这意味着 15 摄氏度，但对于其他国家来说，这样的温度并不反常。
这种情况称为上下文异常，其中偏差取决于受上下文和行为 手机号码列表 属性控制的上下文信息。在此示例中，上下文属性是位置，行为属性是温度。
上下文异常
上下文异常
上图显示了特定时期的数据的时间序列。使用密度核进一步平滑该图以显示趋势边界。这些值没有超出正常范围，但它们仍然包含依赖于时间的异常点（以橙色突出显示）。
在不同的情况下，异常检测取决于数据的具体情况。因此，在大多数情况下，应咨询主题专家以正式确定这些背景。
