Cross-age effect in artificial neural networks: A study on facial age recognition bias in artificial neural networks

Abstract

Yaşlar arası etki veya kendi-yaş sapması kişilerin yüzlerine bakılarak yaş tahmini yapılırken, tahmin yapan kişinin kendi yaşının yaptığı tahmini etkilediğini ve etki yönünün kişinin kendi yaşına doğru olduğunu öne süren bir görüngüdür. Bu görüngü üzerindeki önceki araştırmalarda bahsedilen etkinin var olduğu ve özellikle Adli Tıp'ta büyük hatalara yol açtığı belirtilmiştir. İki parçalı araştırmamızın ilk kısmında bu görüngü insanlar üzerinde iddia edilen etkinin var olup olmadığı yönünde sınanmıştır. Daha sonra bu etkinin yol açtığı hataların en aza indirilebilmesi için evrişimli sinir ağları kullanılarak yüz görüntüleri yaşlara göre sınıflandırılmıştır. İnsanlarla yapılan deneyde, katılımcılar yüz görüntülerinin yaşlarını tahmin etmiştir, yapay sinir ağları üzerinden yapılan deneyde ise bir evrişimli sinir ağları modeli gerçeklenerek aynı yüz görüntülerinin yaş tahminleri alınmıştır. İnsanlarla yapılan deneyde, katılımcıların yaş tahminleri ile yüz görüntülerinin asıl yaşları arasında güçlü bir doğrusal ilişki tespit edilmiştir. Korelasyon analizi yapılarak esas hata (tahmin edilen yaş – gerçek yaş) ve nesnel uzaklık (katılımcının yaşı – gerçek yaş) arasında pozitif bir ilişki bulunduğu tespit edilmiştir. Yapay sinir ağları deneyinde ise modelin yaş tahmin isabet performansının insan katılımcıların performansının üzerine çıktığı tespit edilmiştir. Ayrıca; gerekli girdi verisi ön-hazırlığı ile yaşlar arası etkisinin yapay sinir ağları yardımıyla azaltılabileceği ve insan hatasının önemli miktarda azaltılabileceği iddia edilmiştir.

Simply put cross-age effect or own-age bias is the phenomenon that when guessing the age of individuals from their faces, it is claimed that the age of the individual who is guessing the facial age influences the guessing process, and the effect is towards to the age of the one who is guessing. Previous studies on the phenomenon acknowledges that such bias exists, and especially in forensics this bias can cause drastic faults. In our two-part study, firstly the phenomenon is investigated in humans to observe if such an effect exists, then it is tested if the error could be reduced via utilizing convolutional neural networks on face images and classify the face images with respect to their ages. For the human based experiment, participants rated facial images and for the neural network based experiment a convolutional neural network model was constructed and tested with same images. In human experiments, a strong correlation between participants' guesses and the real ages of the face images was observed. Correlation analysis yield that a positive relationship between error (guessed age – actual age) and objective distance (participant's age – actual age) exists, whereas almost zero correlation exists between error and perceived distance (participant's age – guessed age). Neural network experiment indicated that the neural network's age rating performance exceeded human performance. Moreover; it was claimed that with necessary pre-processing to the input data, cross-age effect can be deduced with neural networks and human error can be reduced significantly.