An Improved EfficientNet-B0 Model for Facial Emotion Recognition

Les ordinateurs sont capables depuis longtemps de reconnaître les visages, identifiant l'identité d'une personne en cartographiant la distance entre ses yeux ou la forme de sa mâchoire. Mais apprendre à une machine à comprendre ce qu'une personne ressent est un défi différent, plus subtil. Ce domaine, connu sous le nom de reconnaissance des émotions faciales, demande au logiciel d'examiner une image statique et de décider si le sujet est heureux, triste, en colère, surpris ou neutre. C'est une tâche qui repose sur la détection de minuscules changements dans les mouvements musculaires autour de la bouche et des yeux, des changements qui peuvent être aussi fugaces qu'un éclat de lumière. Bien que cette technologie promette de rendre les ordinateurs plus réactifs aux besoins humains — aidant les conducteurs à rester alertes, assistant les enseignants pour l'engagement des élèves ou aidant les travailleurs de la santé — elle s'est heurtée à un problème persistant : les données utilisées pour enseigner ces systèmes sont souvent désordonnées. Les photos du monde réel varient considérablement en termes d'éclairage et d'angle, et les étiquettes que les humains leur attribuent sont fréquemment incohérentes. De plus, les chercheurs débattent depuis longtemps pour savoir si le simple fait de rendre le « cerveau » de l'ordinateur plus grand et plus complexe conduit réellement à de meilleurs résultats, ou si cela ne fait que gaspiller de l'énergie et du temps sans apporter de réelle valeur ajoutée.

Une équipe de chercheurs de l'Université de Port Harcourt, au Nigeria, s'est donné pour mission de trancher ce débat et de nettoyer les données en coulisses. Ils se sont concentrés sur un type spécifique d'architecture informatique appelé EfficientNet, qui est conçu pour être efficace dans l'apprentissage à partir d'images. Ils ont choisi de tester trois versions de ce système : un modèle petit et léger connu sous le nom de B0, et deux versions plus grandes et plus complexes appelées B1 et B2. L'objectif n'était pas seulement de construire un système qui fonctionne, mais de découvrir si les modèles plus grands valent vraiment le coût supplémentaire. Pour ce faire, les chercheurs ont d'abord dû consolider les fondations. Ils ont rassemblé des milliers d'images provenant de deux collections publiques majeures, l'une contenant des photos trouvées sur Internet et l'autre présentant des visages capturés dans des contextes réels. Ils ont ensuite procédé à un nettoyage rigoureux, supprimant des milliers d'images en double et écartant les fichiers où l'étiquette émotionnelle semblait erronée ou peu claire. Ils ont abouti à un ensemble parfaitement équilibré de 25 000 images, avec exactement 5 000 exemples pour chacune des cinq émotions cibles : le bonheur, la tristesse, la colère, la surprise et la neutralité. Cette préparation minutieuse a permis de garantir que l'ordinateur apprenne à partir d'exemples uniques plutôt qu'en mémorisant des copies répétées.

Les chercheurs ont ensuite entraîné leurs trois modèles sur ces données propres, en utilisant une technique appelée transfert d'apprentissage (transfer learning), qui permet à l'ordinateur de partir de connaissances déjà acquises lors de la reconnaissance d'objets généraux comme des chats et des voitures, pour ensuite adapter ce savoir à la reconnaissance des expressions humaines. Ils ont entraîné les modèles en deux étapes, enseignant d'abord les nouvelles parties du système, puis affinant l'ensemble du réseau. Les résultats ont révélé un vainqueur clair en termes d'efficacité. Le plus petit modèle, EfficientNet-B0, a atteint une précision de près de 79 pour cent sur un ensemble d'images qu'il n'avait jamais vues auparavant. Il identifiait correctement l'émotion dans environ 79 cas sur 100 lors des tests. Le modèle plus grand, EfficientNet-B1, a légèrement mieux performé, atteignant un peu moins de 80 pour cent de précision, mais la différence était si faible que les tests statistiques ont montré qu'il ne s'agissait pas d'une amélioration significative. Le plus grand modèle, EfficientNet-B2, a en réalité moins bien performé, avec un score d'environ 75 pour cent, principalement parce qu'on ne lui a pas laissé assez de temps pour apprendre pleinement durant l'expérience.

La véritable importance de l'étude réside dans le coût de ces différences. Les modèles plus grands nécessitaient nettement plus de puissance de calcul et de temps d'exécution. Le plus petit modèle pouvait analyser une seule image en environ 8,5 millisecondes, tandis que les modèles plus grands prenaient près de 12,5 millisecondes pour la même tâche. En termes pratiques, cela signifie que le plus petit modèle est environ 30 pour cent plus rapide et utilise environ 37 pour cent de paramètres internes (ou réglages) en moins pour accomplir le travail. Les chercheurs ont conclu que pour cette tâche spécifique de reconnaissance de cinq émotions de base, les structures plus larges n'apportent pas assez de précision supplémentaire pour justifier leur coût plus élevé. Le plus petit modèle offrait le meilleur équilibre, délivrant une haute performance sans la lourde charge computationnelle.

Malgré ce succès, l'étude a mis en évidence les domaines où la technologie éprouve encore des difficultés. L'ordinateur était exceptionnellement doué pour repérer le bonheur et la surprise, des émotions qui impliquent des mouvements faciaux distincts et amples. Cependant, il confondait fréquemment la tristesse avec une expression neutre. Lorsqu'une personne était véritablement triste, le modèle la classait parfois comme neutre, et lorsqu'elle était neutre, il supposait parfois la tristesse. Cela suggère que le système éprouve des difficultés à distinguer un visage simplement au repos d'un visage portant une émotion négative de faible intensité. Malgré cette confusion, le système a été déployé avec succès sous la forme d'une application web fonctionnelle. Les utilisateurs peuvent télécharger une photo ou utiliser une webcam, et le système renvoie instantanément l'émotion prédite accompagnée d'un score de confiance. Tout le processus, du clic sur le bouton jusqu'à l'affichage du résultat, ne prend que quelques secondes, l'analyse informatique proprement dite se déroulant en une fraction de milliseconde.

Ce travail démontre que dans la course à la construction d'une intelligence artificielle plus intelligente, plus grand n'est pas toujours meilleur. En nettoyant soigneusement les données et en comparant différentes tailles d'une même technologie, les chercheurs ont montré qu'un modèle plus petit et plus efficace peut souvent surpasser ses homologues plus grands lorsque la tâche est bien définie. Ils ont prouvé que pour la reconnaissance des émotions humaines de base, une approche rationalisée est non seulement plus rapide et moins coûteuse, mais aussi tout aussi précise. L'étude laisse la porte ouverte à de futures améliorations, comme l'enseignement au système la reconnaissance de la peur et du dégoût, ou l'aide à la compréhension de la façon dont les émotions évoluent au fil du temps dans une vidéo, mais pour l'instant, elle établit une voie claire et efficace pour la détection d'émotions en temps réel.