An Improved EfficientNet-B0 Model for Facial Emotion Recognition

Las computadoras han sido capaces de reconocer rostros durante mucho tiempo, identificando quién es una persona mediante el mapeo de la distancia entre sus ojos o la forma de su mandíbula. Pero enseñar a una máquina a comprender cómo se siente una persona es un desafío diferente y más sutil. Este campo, conocido como reconocimiento de emociones faciales, pide al software que observe una imagen estática y decida si el sujeto está feliz, triste, enojado, sorprendido o neutral. Es una tarea que depende de la detección de diminutos cambios en el movimiento muscular alrededor de la boca y los ojos, cambios que pueden ser tan fugaces como un destello de luz. Si bien esta tecnología promete hacer que las computadoras sean más receptivas a las necesidades humanas —ayudando a los conductores a mantenerse alerta, asistiendo a los profesores con el compromiso de los estudiantes o ayudando a los trabajadores de la salud—, ha luchado contra un problema persistente: los datos utilizados para enseñar a estos sistemas suelen ser desordenados. Las fotos del mundo real varían enormemente en iluminación y ángulo, y las etiquetas que los humanos asignan a ellas son frecuentemente inconsistentes. Además, los investigadores han debatido durante mucho tiempo si el simple hecho de hacer el "cerebro" de la computadora más grande y complejo realmente conduce a mejores resultados, o si solo desperdicia energía y tiempo sin añadir un valor real.

Un equipo de investigadores de la Universidad de Port Harcourt en Nigeria se propuso resolver este debate y limpiar los datos detrás de escena. Se centraron en un tipo específico de arquitectura de computación llamado EfficientNet, que está diseñado para ser eficiente al aprender de imágenes. Eligieron probar tres versiones de este sistema: un modelo pequeño y ligero conocido como B0, y dos versiones más grandes y complejas llamadas B1 y B2. El objetivo no era solo construir un sistema que funcionara, sino descubrir si los modelos más grandes valen realmente el costo adicional. Para hacer esto, los investigadores primero tuvieron que arreglar la base. Reunieron miles de imágenes de dos colecciones públicas importantes, una que contenía fotos encontradas en internet y otra que presentaba rostros capturados en entornos del mundo real. Luego realizaron una limpieza rigurosa, eliminando miles de imágenes duplicadas y descartando archivos donde la etiqueta emocional parecía errónea o poco clara. Terminaron con un conjunto perfectamente equilibrado de 25,000 imágenes, con exactamente 5,000 ejemplos para cada una de las cinco emociones objetivo: felicidad, tristeza, enojo, sorpresa y neutralidad. Esta cuidadosa preparación aseguró que la computadora estuviera aprendiendo de ejemplos únicos en lugar de memorizar copias repetidas.

Los investigadores luego entrenaron sus tres modelos con estos datos limpios, utilizando una técnica llamada aprendizaje por transferencia (transfer learning), que permite a la computadora comenzar con el conocimiento que ya obtuvo al reconocer objetos generales como gatos y autos, y luego adaptar ese conocimiento para reconocer expresiones humanas. Entrenaron los modelos en dos etapas, primero enseñando las partes nuevas del sistema y luego ajustando finamente toda la red. Los resultados revelaron un claro ganador en términos de eficiencia. El modelo más pequeño, EfficientNet-B0, logró una precisión de casi el 79 por ciento en un conjunto de imágenes que nunca había visto antes. Identificó correctamente la emoción en aproximadamente 7 de cada 100 casos de prueba. El modelo más grande, EfficientNet-B1, funcionó ligeramente mejor, alcanzando poco menos del 80 por ciento de precisión, pero la diferencia fue tan pequeña que las pruebas estadísticas mostraron que no era una mejora significativa. El modelo más grande, EfficientNet-B2, en realidad funcionó peor, puntuando alrededor del 75 por ciento, debido principalmente a que no se le dio suficiente tiempo para aprender completamente durante el experimento.

La verdadera importancia del estudio reside en el costo de estas diferencias. Los modelos más grandes requirieron significativamente más potencia de cómputo y tiempo para ejecutarse. El modelo más pequeño pudo analizar una sola imagen en unos 8.5 milisegundos, mientras que los modelos más grandes tardaron casi 12.5 milisegundos para la misma tarea. En términos prácticos, esto significa que el modelo más pequeño es aproximadamente un 30 por ciento más rápido y utiliza alrededor de un 37 por ciento menos de ajustes internos, o parámetros, para realizar el trabajo. Los investigadores concluyeron que para esta tarea específica de reconocer cinco emociones básicas, las estructuras (backbones) más grandes no proporcionan suficiente precisión extra para justificar su mayor costo. El modelo más pequeño ofreció el mejor equilibrio, entregando un alto rendimiento sin la pesada carga computacional.

Incluso con este éxito, el estudio destacó dónde todavía lucha la tecnología. La computadora fue excepcionalmente buena detectando la felicidad y la sorpresa, emociones que involucran movimientos faciales distintos y grandes. Sin embargo, confundió frecuentemente la tristeza con una expresión neutral. Cuando una persona estaba verdaderamente triste, el modelo a veces la etiquetaba como neutral, y cuando estaban neutrales, a veces adivinaba tristeza. Esto sugiere que el sistema encuentra difícil distinguir entre un rostro que está simplemente en reposo y uno que porta una emoción negativa de baja intensidad. A pesar de esta confusión, el sistema se desplegó con éxito como una aplicación web funcional. Los usuarios pueden subir una foto o usar una cámara web, y el sistema devuelve instantáneamente la emoción predicha junto con un puntaje de confianza. Todo el proceso, desde hacer clic en el botón hasta ver el resultado, toma solo unos pocos segundos, con el análisis computacional real ocurriendo en una fracción de milisegundo.

Este trabajo demuestra que en la carrera por construir una inteligencia artificial más inteligente, más grande no siempre es mejor. Al limpiar cuidadosamente los datos y comparar diferentes tamaños de la misma tecnología, los investigadores demostraron que un modelo más pequeño y eficiente puede a menudo superar a sus contrapartes más grandes cuando la tarea está bien definida. Probaron que para reconocer emociones humanas básicas, un enfoque simplificado no solo es más rápido y barato, sino también igual de preciso. El estudio deja la puerta abierta para futuras mejoras, como enseñar al sistema a reconocer el miedo y el asco, o ayudarlo a comprender cómo cambian las emociones a lo largo del tiempo en un video, pero por ahora, establece un camino claro y eficiente para la detección de emociones en tiempo real.