An Improved EfficientNet-B0 Model for Facial Emotion Recognition

Computer sind schon lange in der Lage, Gesichter zu erkennen, indem sie identifizieren, wer eine Person ist, indem sie den Abstand zwischen den Augen oder die Form des Kiefers kartieren. Doch einer Maschine beizubringen, wie sich ein Mensch fühlt, ist eine andere, subtilere Herausforderung. Dieses Feld, bekannt als Gesichtsausdruckserkennung (Facial Emotion Recognition), fordert von Software, ein statisches Bild zu analysieren und zu entscheiden, ob das Subjekt glücklich, traurig, wütend, überrascht oder neutral ist. Es ist eine Aufgabe, die darauf beruht, kleinste Veränderungen der Muskelbewegungen um Mund und Augen zu detektieren – Veränderungen, die so flüchtig sein können wie ein kurzes Aufblitzen eines Lichts. Während diese Technologie verspricht, Computer reaktionsfähiger auf menschliche Bedürfnisse zu machen – etwa um Autofahrer wachsam zu halten, Lehrer bei der Einbindung von Schülern zu unterstützen oder Pflegekräfte zu helfen –, hatte sie mit einem hartnäckigen Problem zu kämpfen: Die Daten, die zum Trainieren dieser Systeme verwendet werden, sind oft unordentlich. Fotos aus der realen Welt variieren stark in Beleuchtung und Winkel, und die Labels, die Menschen ihnen zuweisen, sind häufig inkonsistent. Darüber hinaus debattieren Forscher schon lange darüber, ob es tatsächlich zu besseren Ergebnissen führt, das „Gehirn“ des Computers größer und komplexer zu machen, oder ob dies lediglich Energie und Zeit verschwendet, ohne einen echten Mehrwert zu bieten.

Ein Team von Forschern an der University of Port Harcourt in Nigeria setzte sich zum Ziel, diese Debatte zu klären und die Daten hinter den Kulissen zu bereinigen. Sie konzentrierten sich auf einen spezifischen Typ von Computerarchitektur namens EfficientNet, der darauf ausgelegt ist, effizient aus Bildern zu lernen. Sie entschieden sich dafür, drei Versionen dieses Systems zu testen: ein kleines, leichtgewichtiges Modell namens B0 sowie zwei größere, komplexere Versionen namens B1 und B2. Das Ziel war nicht nur, ein funktionierendes System zu bauen, sondern herauszufinden, ob die größeren Modelle den zusätzlichen Aufwand wirklich wert sind. Um dies zu erreichen, mussten die Forscher zuerst das Fundament festigen. Sie sammelten tausende Bilder aus zwei großen öffentlichen Sammlungen, eine bestehend aus Internetfotos und eine andere mit Gesichtern aus realen Umgebungen. Anschließend führten sie eine gründliche Bereinigung durch, bei der sie tausende Duplikate entfernten und Dateien aussortierten, bei denen das emotionale Label falsch oder unklar schien. Sie endeten mit einem perfekt ausbalancierten Datensatz von 25.000 Bildern, mit exakt 5.000 Beispielen für jede der fünf Ziel-Emotionen: Freude, Traurigkeit, Wut, Überraschung und Neutralität. Diese sorgfältige Vorbereitung stellte sicher, dass der Computer von einzigartigen Beispielen lernte, statt sich lediglich Kopien zu merken.

Die Forscher trainierten ihre drei Modelle mit diesen sauberen Daten unter Verwendung einer Technik namens Transfer Learning, die es dem Computer ermöglicht, mit Wissen zu beginnen, das er bereits beim Erkennen allgemeiner Objekte wie Katzen und Autos erworben hat, und dieses Wissen dann an das Erkennen menschlicher Ausdrücke anzupassen. Sie trainierten die Modelle in zwei Phasen: Zuerst lernten die neuen Teile des Systems dazu, und anschließend wurde das gesamte Netzwerk feinjustiert. Die Ergebnisse zeigten einen klaren Gewinner in Bezug auf die Effizienz. Das kleinste Modell, EfficientNet-B0, erreichte eine Genauigkeit von fast 79 Prozent bei einem Satz von Bildern, die es zuvor noch nie gesehen hatte. Es identifizierte die Emotion in etwa 79 von 100 Testfällen korrekt. Das größere Modell, EfficientNet-B1, schnitt etwas besser ab und erreichte knapp unter 80 Prozent Genauigkeit, doch der Unterschied war so gering, dass statistische Tests zeigten, dass es sich nicht um eine bedeutsame Verbesserung handelte. Das größte Modell, EfficientNet-B2, schnitt mit etwa 75 Prozent sogar schlechter ab, was primsär daran lag, dass es während des Experiments nicht genügend Zeit hatte, um vollständig zu lernen.

Die wahre Bedeutung der Studie liegt in den Kosten dieser Unterschiede. Die größeren Modelle erforderten signifikant mehr Rechenleistung und Zeit zur Ausführung. Das kleinste Modell konnte ein einzelnes Bild in etwa 8,5 Millisekunden analysieren, während die größeren Modelle für dieselbe Aufgabe fast 12,5 Millisekunden benötigten. In praktischer Hinsicht bedeutet dies, dass das kleinere Modell etwa 30 Prozent schneller ist und etwa 37 Prozent weniger interne Einstellungen, oder Parameter, benötigt, um die Aufgabe zu erledigen. Die Forscher kamen zu dem Schluss, dass für diese spezifische Aufgabe der Erkennung von fünf Basisemotionen die größeren Backbones den höheren Preis nicht rechtfertigen. Das kleinere Modell bot die beste Balance, da es eine hohe Leistung ohne die schwere Rechenlast lieferte.

Trotz dieses Erfolgs verdeutlichte die Studie, wo die Technologie noch Schwierigkeiten hat. Der Computer war außergewöhnlich gut darin, Freude und Überraschung zu erkennen – Emotionen, die mit deutlichen, großen Bewegungen im Gesicht einhergehen. Er verwechselte jedoch häufig Traurigkeit mit einem neutralen Ausdruck. Wenn eine Person wirklich traurig war, bezeichnete das Modell sie manchmal als neutral, und wenn jemand neutral war, tippte es manchmal auf Traurigkeit. Dies deutet darauf hin, dass das System Schwierigkeiten hat, zwischen einem Gesicht, das einfach entspannt ist, und einem, das eine niederintensive negative Emotion trägt, zu unterscheiden. Ungeachtet dieser Verwechslung wurde das System erfolgreich als funktionierende Webanwendung implementiert. Nutzer können ein Foto hochladen oder eine Webcam verwenden, und das System liefert sofort die vorhergesagte Emotion zusammen mit einem Konfidenzwert zurück. Der gesamte Prozess, vom Klicken auf den Button bis zum Erscheinen des Ergebnisses, dauert nur wenige Sekunden, wobei die eigentliche Computeranalyse in einem Bruchteil einer Millisekunde erfolgt.

Diese Arbeit zeigt, dass im Wettlauf um intelligentere künstliche Intelligenz „größer“ nicht immer „besser“ ist. Durch die sorgfältige Reinigung der Daten und den Vergleich verschiedener Größen derselben Technologie zeigten die Forscher, dass ein kleineres, effizienteres Modell oft seine größeren Gegenstücke übertreffen kann, wenn die Aufgabe klar definiert ist. Sie bewiesen, dass für das Erkennen grundlegender menschlicher Emotionen ein gestraffter Ansatz nicht nur schneller und kostengünstiger, sondern auch ebenso genau ist. Die Studie lässt die Tür offen für zukünftige Verbesserungen, wie etwa das Erlernen der Erkennung von Angst und Ekel oder die Hilfe dabei, wie sich Emotionen in einem Video über die Zeit verändern, aber für den Moment etabliert sie einen klaren, effizienten Weg für die Echtzeit-Emotionserkennung.