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

Immaginate un computer capace di osservare il volto di una persona e comprendere ciò che sta provando. Questo è l'obiettivo del riconoscimento delle espressioni facciali, un campo della scienza che cerca di tradurre i sottili movimenti dei nostri muscoli in emozioni specifiche come la felicità, la tristezza o la rabbia. Per decenni, i ricercatori hanno costruito complessi cervelli digitali per farlo, ma spesso richiedono computer enormi ed costosi per funzionare. Questi sistemi pesanti faticano quando vengono chiamati a lavorare in tempo reale, come quando un feed video viene trasmesso dal vivo tramite una webcam. La sfida è stata quella di creare un sistema che fosse abbastanza intelligente da riconoscere queste espressioni con precisione, ma abbastanza leggero da poter girare su computer ordinari e quotidiani senza rallentamenti o blocchi.

Un ricercatore di nome Debanjan Chakraborty ha affrontato questo problema progettando una nuova versione snella di un cervello digitale specificamente per questo compito. Inve di utilizzare i modelli giganti e voraci di energia comuni nel settore, Chakraborty ha costruito un'architettura minuscola ed efficiente chiamata Mini-Xception. Questo modello è stato addestrato su una vasta collezione di immagini di volti nota come dataset FERPlus, che contiene migliaia di foto di persone che mostrano sette diverse emozioni. Il dataset, tuttavia, presentava un ostacolo complicato: era fortemente sbilanciato. C'erano migliaia di foto di persone che apparivano felici o neutre, ma pochissime che mostravano emozioni come il disgusto o la paura. Se un computer impara da una collezione così sbilanciata, tende a ignorare interamente le emozioni rare, indovinando "felice" o "neutro" per quasi tutto solo per avere ragione la maggior parte delle volte.

Per risolvere questo problema, il ricercatore ha testato diversi modi per insegnare al computer a prestare attenzione alle emozioni rare. Ha provato a ignorare lo sbilanciamento, ha provato a dare alle emozioni rare la massima importanza e ha provato un approccio di via di mezzo che dava loro un impulso moderato. I risultati hanno mostrato che l'approccio di via di mezzo era il migliore. Regolando il processo di addestramento per dare valore alle emozioni rare quanto bastava, senza eccedere nella reazione, il sistema ha imparato a riconoscere tutte le sette emozioni con un alto grado di equilibrio. Il modello finale era incredibilmente piccolo, contenendo meno di 57.000 impostazioni regolabili, il che è minuscolo rispetto ai sistemi standard che spesso ne hanno milioni. Questa piccola dimensione significava che l'intero modello occupava meno di un megabyte di spazio di archiviazione, rendendolo facile da trasportare ed eseguire su apparecchiature standard.

La vera prova, tuttavia, era se questo piccolo sistema potesse stare al passo con uno streaming video dal vivo. Il ricercatore ha configurato un sistema per rilevare i volti in tempo reale utilizzando una webcam e poi classificare immediatamente l'espressione. Ha testato questo su un computer Apple M1 Pro, un comune laptop ad alte prestazioni. Ha scoperto che il sistema poteva elaborare il video a una velocità costante di circa 30 fotogrammi al secondo, il che è sufficientemente fluido affinché l'occhio umano percepisca un movimento continuo. L'intero processo, dal rilevamento del volto alla denominazione dell'emozione, richiedeva meno di sei millisecondi. Sorprendentemente, il ricercatore ha scoperto che per questo compito specifico di gestione di singoli fotogrammi video uno alla volta, il processore principale del computer era in realtà più veloce del suo chip grafico specializzato. Questo perché il chip grafico, pur essendo potente per grandi lotti di dati, presentava un leggero ritardo nell'avvio per ogni singolo fotogramma, mentre il processore principale gestiva i lavori piccoli e rapidi in modo più efficiente.

Il sistema includeva anche una rete di sicurezza per il rilevamento dei volti. Utilizzava principalmente un metodo moderno e veloce per trovare i voli nel video, ma se quel metodo falliva, poteva passare istantaneamente a una tecnica più vecchia e affidabile per garantire che il feed video non si interrompesse mai. Per rendere l'output naturale, il sistema ha smussato i risultati, in modo che l'etichetta dell'emozione non saltasse selvaggiamente da un fotogramma all'altro ma cambiasse gradualmente, proprio come fanno le espressioni umane. Lo studio ha confermato che un sistema leggero e accuratamente calibrato può effettivamente riconoscere le espressioni facciali in tempo reale senza bisogno di un supercomputer.

Nonostante questi successi, il ricercatore è stato attento a sottolineare ciò che il sistema non può fare. Il computer vede solo la forma fisica di un volto; non conosce i veri sentimenti interni della persona. Un sorriso può essere gioia genuina, o potrebbe essere una maschera di cortesia, e il sistema non può fare la differenza. Inoltre, il sistema è stato addestrato su immagini a bassa risoluzione e non può diagnosticare condizioni mediche o sostituire il giudizio umano in situazioni delicate. È uno strumento per riconoscere segnali visibili, non una finestra sull'anima umana. Il lavoro è una prova che, con il giusto design, l'intelligenza artificiale potente può essere rimpicciolita per adattarsi a un laptop, aprendo la porta alla consapevolezza emotiva in tempo reale nella tecnologia quotidiana senza la necessità di hardware massicci.