An Improved EfficientNet-B0 Model for Facial Emotion Recognition

I computer sono in grado da tempo di riconoscere i volti, identificando chi è una persona mappando la distanza tra gli occhi o la forma della mascella. Ma insegnare a una macchina a comprendere come si sente una persona è una sfida diversa e più sottile. Questo campo, noto come riconoscimento delle emozioni facciali, chiede al software di guardare un'immagine statica e decidere se il soggetto sia felice, triste, arrabbiato, sorpreso o neutro. È un compito che si basa sul rilevamento di minuscoli spostamenti nei movimenti muscolari intorno alla bocca e agli occhi, spostamenti che possono essere fugaci come un riflesso di luce. Sebbene questa tecnologia prometta di rendere i computer più reattivi ai bisogni umani — aiutando i conducenti a rimanere vigili, assistendo gli insegnanti nel coinvolgimento degli studenti o aiutando gli operatori sanitari — ha lottato con un problema persistente: i dati utilizzati per istruire questi sistemi sono spesso disordinati. Le foto del mondo reale variano enormemente per illuminazione e angolazione, e le etichette che gli esseri umani assegnano loro sono frequentemente incoerenti. Inoltre, i ricercatori discutono da tempo se rendere il "cervello" del computer più grande e complesso porti effettivamente a risultati migliori, o se sprechi solo energia e tempo senza aggiungere un reale valore.

Un team di ricercatori dell'Università di Port Harcourt, in Nigeria, si è posto l'obiettivo di risolvere questo dibattito e pulire i dati dietro le quinte. Si sono concentrati su un tipo specifico di architettura informatica chiamato EfficientNet, progettata per essere efficiente nell'apprendimento dalle immagini. Hanno scelto di testare tre versioni di questo sistema: un modello piccolo e leggero noto come B0, e due versioni più grandi e complesse chiamate B1 e B2. L'obiettivo non era solo costruire un sistema che funzionasse, ma scoprire se i modelli più grandi valessero davvero il costo extra. Per fare ciò, i ricercatori hanno dovuto prima sistemare le fondamenta. Hanno raccolto migliaia di immagini da due grandi collezioni pubbliche, una contenente foto trovate su internet e un'altra caratterizzata da volti catturati in contesti reali. Hanno poi effettuato una rigorosa pulizia, rimuovendo migliaia di immagini duplicate e scartando i file in cui l'etichetta emotiva sembrava errata o poco chiara. Sono finiti con un insieme perfettamente bilanciato di 25.000 immagini, con esattamente 5.000 esempi per ciascuna delle cinque emozioni target: felicità, tristezza, rabbia, sorpresa e neutro. Questa attenta preparazione ha garantito che il computer imparasse da esempi unici piuttosto che memorizzare copie ripetute.

I ricercatori hanno poi addestrato i loro tre modelli su questi dati puliti, utilizzando una tecnica chiamata transfer learning, che permette al computer di partire con la conoscenza già acquisita dal riconoscimento di oggetti generici come gatti e auto, per poi adattare tale conoscenza al riconoscimento delle espressioni umane. Hanno addestrato i modelli in due fasi, insegnando prima le nuove parti del sistema e poi perfezionando l'intera rete. I risultati hanno rivelato un chiaro vincitore in termini di efficienza. Il modello più piccolo, EfficientNet-B0, ha raggiunto un'accuratezza di quasi il 79 percento su un set di immagini che non aveva mai visto prima. Ha identificato correttamente l'emozione in circa 79 casi su 100 di test. Il modello più grande, EfficientNet-B1, è andato leggermente meglio, raggiungendo poco meno dell'80 percento di accuratezza, ma la differenza era così piccola che i test statistici hanno dimostrato che non si trattava di un miglioramento significativo. Il modello più grande, EfficientNet-B2, è andato in realtà peggio, ottenendo circa il 75 percento, principalmente perché non gli era stato dato abbastanza tempo per apprendere completamente durante l'esperimento.

La vera significatività dello studio risiede nel costo di queste differenze. I modelli più grandi richiedevano molta più potenza di calcolo e tempo per essere eseguiti. Il modello più piccolo poteva analizzare una singola immagine in circa 8,5 millisecondi, mentre i modelli più grandi richiedevano quasi 12,5 millisecondi per lo stesso compito. In termini pratici, questo significa che il modello più piccolo è circa il 30 percento più veloce e utilizza circa il 37 percento in meno di impostazioni interne, o parametri, per svolgere il lavoro. I ricercatori hanno concluso che, per questo specifico compito di riconoscimento delle cinque emozioni di base, le strutture più grandi non forniscono abbastanza accuratezza extra da giustificare il loro costo superiore. Il modello più piccolo offriva il miglior equilibrio, fornendo prestazioni elevate senza l'onere computazionale pesante.

Nonostante questo successo, lo studio ha evidenziato dove la tecnologia incontra ancora difficoltà. Il computer era eccezionalmente bravo a individuare la felicità e la sorpresa, emozioni che comportano movimenti del volto distinti e ampi. Tuttavia, ha spesso confuso la tristezza con un'espressione neutra. Quando una persona era veramente triste, il modello a volte la etichettava come neutra, e quando era neutra, a volte ipotizzava la tristezza. Ciò suggerisce che il sistema trova difficile distinguere tra un volto che è semplicemente a riposo e uno che sta portando un'emozione negativa a bassa intensità. Nonostante questa confusione, il sistema è stato implementato con successo come applicazione web funzionante. Gli utenti possono caricare una foto o usare una webcam, e il sistema restituisce istantaneamente l'emozione prevista insieme a un punteggio di confidenza. L'intero processo, dal cliccare il pulsante al vedere il risultato, richiede solo pochi secondi, con l'analisi informatica effettiva che avviene in una frazione di millisecondo.

Questo lavoro dimostra che nella corsa a costruire un'intelligenza artificiale più intelligente, più grande non è sempre meglio. Pulendo attentamente i dati e confrontando diverse dimensioni della stessa tecnologia, i ricercatori hanno dimostrato che un modello più piccolo ed efficiente può spesso superare i suoi corrispettivi più grandi quando il compito è ben definito. Hanno provato che, per riconoscere le emozioni umane di base, un approccio snello non è solo più veloce e meno costoso, ma è anche altrettanto accurato. Lo studio lascia la porta aperta per futuri miglioramenti, come l'insegnamento al sistema di riconoscere la paura e il disgusto, o l'aiuto a comprendere come le emozioni cambino nel tempo in un video, ma per ora, stabilisce un percorso chiaro ed efficiente per il rilevamento delle emozioni in tempo reale.