Design and Evaluation of a Lightweight Real-Time Facial Expression Recognition System: A PyTorch Mini-Xception Implementation Trained on FERPlus.

Imaginez un ordinateur capable de regarder le visage d'une personne et de comprendre ce qu'elle ressent. C'est l'objectif de la reconnaissance des expressions faciales, un domaine scientifique qui tente de traduire les mouvements subtils de nos muscles en émotions spécifiques comme la joie, la tristesse ou la colère. Pendant des décennies, des chercheurs ont construit des cerveaux numériques complexes pour accomplir cela, mais ces systèmes nécessitent souvent des ordinateurs massifs et coûteux pour fonctionner. Ces systèmes lourds peinent lorsqu'on leur demande de travailler en temps réel, comme lorsqu'un flux vidéo est diffusé en direct depuis une webcam. Le défi a été de créer un système assez intelligent pour reconnaître ces expressions avec précision, mais assez léger pour fonctionner sur des ordinateurs ordinaires et quotidiens sans ralentissement ni gel d'image.

Un chercheur nommé Debanjan Chakraborty a abordé ce problème en concechant une nouvelle version rationalisée d'un cerveau numérique spécifiquement dédiée à cette tâche. Au lieu d'utiliser les modèles géants et gourmands en énergie courants dans le domaine, Chakraborty a construit une architecture minuscule et efficace appelée Mini-Xception. Ce modèle a été entraîné sur une vaste collection d'images de visages connue sous le nom de jeu de données FERPlus, qui contient des milliers de photos de personnes exprimant sept émotions différentes. Le jeu de données présentait toutefois un obstacle de taille : il était fortement déséquilibré. Il y avait des milliers de photos de personnes paraissant joyeuses ou neutres, mais très peu montrant des émotions comme le dégoût ou la peur. Si un ordinateur apprend d'une collection aussi biaisée, il a tendance à ignorer totalement les émotions rares, en devinant « joie » ou « neutre » pour presque tout, simplement pour avoir raison la plupart du temps.

Pour résoudre cela, le chercheur a testé différentes manières d'apprendre à l'ordinateur à prêter attention aux émotions rares. Ils ont essayé d'ignorer le déséquilibre, ils ont essayé de donner une importance maximale aux émotions rares, et ils ont essayé une approche de juste milieu qui leur accordait un boost modéré. Les résultats ont montré que l'approche du juste milieu était la plus efficace. En ajustant le processus d'apprentissage pour valoriser les émotions rares juste assez sans réagir de manière excessive, le système a appris à reconnaître les sept émotions avec un haut degré d'équilibre. Le modèle final était incroyablement petit, contenant moins de 57 000 paramètres ajustables, ce qui est minuscule comparé aux systèmes standards qui en possèdent souvent des millions. Cette petite taille signifiait que l'ensemble du modèle occupait moins d'un mégaoctet de stockage, ce qui le rendait facile à transporter et à exécuter sur du matériel standard.

Le véritable test, cependant, consistait à savoir si ce petit système pouvait suivre un flux vidéo en direct. Le cherchenaire a mis en place un système pour détecter les visages en temps réel à l'aide d'une webcam, puis pour classifier immédiatement l'expression. Il a testé cela sur un ordinateur Apple M1 Pro, un ordinateur portable performant courant. Il a découvert que le système pouvait traiter la vidéo à un taux constant d'environ 30 images par seconde, ce qui est assez fluide pour que l'œil humain perçoive un mouvement continu. L'ensemble du processus, de la détection du visage à la dénomination de l'émotion, prenait moins de six millisecondes. Étonnamment, le chercheur a découvert que pour cette tâche spécifique de traitement des images vidéo une par une, le processeur principal de l'ordinateur était en fait plus rapide que sa puce graphique spécialisée. Cela s'explique par le fait que la puce graphique, bien que puissante pour de grands lots de données, présentait un léger délai au démarrage pour chaque image individuelle, tandis que le processeur principal gérait plus efficacement ces petites tâches rapides.

Le système comprenait également un filet de sécurité pour la détection des visages. Il utilisait principalement une méthode moderne et rapide pour trouver les visages dans la vidéo, mais si cette méthode échouait, il pouvait basculer instantanément vers une technique plus ancienne et fiable pour garantir que le flux vidéo ne s'interrompe jamais. Pour que le résultat paraisse naturel, le système a lissé les résultats, afin que l'étiquette de l'émotion ne saute pas de manière erratique d'une image à l'autre, mais change progressivement, tout comme les expressions humaines. L'étude a confirmé qu'un système léger et soigneusement calibré peut effectivement reconnaître les expressions faciales en temps réel sans avoir besoin d'un supercalculateur.

Malgré ces succès, le chercheur a pris soin de noter ce que le système ne peut pas faire. L'ordinateur ne voit que la forme physique d'un visage ; il ne connaît pas les sentiments internes réels de la personne. Un sourire peut être une joie authentique, ou un masque de politesse, et le système ne peut pas faire la différence. De plus, le système a été entraîné sur des images à basse résolution et ne peut pas diagnostiquer de conditions médicales ni remplacer le jugement humain dans des situations sensibles. C'est un outil pour reconnaître les indices visibles, et non une fenêtre sur l'âme humaine. Ce travail est la preuve qu'avec une conception appropriée, une intelligence artificielle puissante peut être réduite pour tenir sur un ordinateur portable, ouvrant la porte à une conscience émotionnelle en temps réel dans la technologie quotidienne sans nécessiter de matériel massif.