A Lightweight Diffusion-Augmented Framework for Efficient Children Facial Expression Recognition

Sintesi Tecnica: Un Framework Leggero Potenziato dalla Diffusione per l'Efficace Riconoscimento delle Espressioni Facciali nei Bambini

Problematica
Il riconoscimento delle espressioni facciali (FER) nei bambini presenta sfide uniche, distinte dal FER negli adulti, dovute principalmente alla disponibilità limitata di dataset, alla significativa variabilità del dominio (ad esempio, lo sviluppo dei muscoli facciali, le reazioni spontanee) e ai vincoli computazionali delle applicazioni in tempo reale. Le soluzioni esistenti affrontano un compromesso: le reti neurali convoluzionali profonde (CNN) come ResNet raggiungono un'elevata accuratezza ma sono computazionalmente costose, mentre i modelli leggeri (ad esempio, MobileNet, LITE-FER) offrono efficienza ma spesso soffrono di una ridotta accuratezza e di una scarsa generalizzazione cross-domain. Inoltre, i modelli addestrati su volti adulti spesso non riescono a generalizzare ai bambini, e la scarsità di dati esacerba i problemi di squilibrio delle classi.

Metodologia: HLDA-FER
L'autore propone HLDA-FER (Hybrid Lightweight Diffusion-Augmented Framework for Children Facial Expression Recognition), una pipeline unificata progettata per bilanciare le prestazioni di riconoscimento con l'efficienza computazionale. Il framework integra tre componenti principali:

1. Estrazione delle Caratteristiche Leggera: Il backbone utilizza un'architettura in stile MobileNet basata su convoluzioni depthwise separable. Ciò riduce la complessità computazionale rispetto alle standard CNN pur mantenendo i dettagli discriminativi necessari per le espressioni dei bambini.
2. Augmentation dei Dati Potenziata dalla Diffusione: Per affrontare la scarsità di dati e la variabilità del dominio, il framework impiega un modello di diffusione. Questo modello apprende una distribuzione generativa per ricostruire espressioni realistiche tipiche dell'infanzia invertendo un processo di rumore. Questi campioni sintetici ($I' \sim p_{diff}(I' | I)$) vengono utilizzati per aumentare il set di addestramento, incrementando la diversità e bilanciando le classi sottorappresentate.
3. Distillazione della Conoscenza: Viene impiegato un framework di apprendimento teacher-student per colmare il divario di prestazioni tra modelli leggeri e modelli pesanti. Una rete teacher basata su ResNet genera probabilità "soft" ($q_t$), che guidano l'addestramento della rete student leggera ($q_s$). La funzione di perdita totale ($L$) è una somma pesata della perdita di cross-entropy di classificazione ($L_{CE}$) e della perdita di distillazione della conoscenza ($L_{KD}$), controllata da un fattore di bilanciamento $\alpha$.

La pipeline di addestramento unifica questi componenti, permettendo allo student leggero di apprendere simultaneamente caratteristiche invarianti rispetto al dominio e conoscenza discriminativa.

Contributi Chiave
Il documento delinea quattro contributi primari:

• Framework Ibrido: L'integrazione di CNN leggere con l'augmentation basata sulla diffusione, specificamente adattata per il FER nei bambini.
• Ottimizzazione Unificata: Una singola pipeline di addestramento che ottimizza congiuntamente l'augmentation basata sulla diffusione e la distillazione della conoscenza, anziché trattarle come fasi separate.
• Efficienza Computazionale: Un design che raggiunge un'elevata prestazione di riconoscimento con bassa complessità (circa 5.0M di parametri e 0.65 GFLOPs), rendendolo adatto ad ambienti con risorse limitate.
• Generalizzazione Migliorata: Migliore generalizzazione cross-domain per le espressioni dei bambini attraverso l'uso combinato di augmentation di dati sintetici e apprendimento di caratteristiche leggere.

Risultati Sperimentali
Il framework è stato valutato su due dataset benchmark: LIRIS-CSE (clip video di bambini tra i 6 e i 12 anni) e CAFE (immagini statiche di bambini tra i 2 e gli 8 anni). Il metodo proposto è stato confrontato con ResNet-50, MobileNet e LITE-FER.

• LIRIS-CSE: HLDA-FER ha raggiunto un'accuratezza del 92,8%, superando ResNet-50 (89,2%), MobileNet (85,1%) e LITE-FER (87,6%). Ha inoltre mostrato precisione superiore (91,5%), recall (91,0%) e F1-score (91,2%).
• CAFE: HLDA-FER ha raggiunto il 90,5% di accuratezza, superando ResNet-50 (87,4%), MobileNet (83,2%) e LITE-FER (85,0%).
• Complessità: Mentre ResNet-50 richiede circa 4,1 GFLOPs e 25,6M di parametri, HLDA-FER opera a circa 0,65 GFLOPs con circa 5,0M di parametri, offrendo una riduzione significativa dei costi computazionali senza sacrificare l'accuratezza.
• Studio di Ablazione: La rimozione dell'augmentation basata sulla diffusione ha portato a un calo evidente dell'accuratezza, confermando il suo ruolo nel gestire la scarsità di dati. L'esclusione della distillazione della conoscenza ha inoltre ridotto le prestazioni, validando il suo ruolo nel trasferimento della conoscenza discriminativa.

Significatività e Rivendicazioni
Il documento afferma che HLDA-FER affronta con successo il compromesso tra accuratezza ed efficienza nel FER per bambini. Integrando i modelli di diffusione per l'augmentation dei dati e la distillazione della conoscenza per la compressione del modello all'interno di un framework unificato, l'approccio raggiunge prestazioni allo stato dell'arte sui dataset benchmark mantenendo al contempo un basso ingombro computazionale. L'autore asserisce che ciò rende il framework particolarmente adatto ad applicazioni in tempo reale e con risorse limitate in settori quali l'educazione, l'assistenza sanitaria e i sistemi assistivi (come la robotica assistiva). Il lavoro evidenzia l'importanza di combinare la modellazione leggera con tecniche avanzate di augmentation dei dati per superare le sfide specifiche del riconoscimento delle emozioni nei bambini.