MobileAgeNet: Lightweight Facial Age Estimation for Mobile Deployment

1. Problema e Motivação

A estimativa de idade facial é um desafio complexo na visão computacional devido à variabilidade individual do envelhecimento, diferenças em pose, iluminação, expressão e qualidade da imagem. Embora modelos convolucionais grandes (CNNs) ofereçam alta precisão, eles são frequentemente inviáveis para dispositivos móveis e de borda devido ao alto custo computacional, consumo de memória e latência de inferência.

O objetivo central deste trabalho é desenvolver um modelo de estimativa de idade facial leve (lightweight) que equilibre precisão preditiva com baixa latência e tamanho compacto, permitindo a execução em tempo real em dispositivos móveis sem degradação significativa de desempenho.

2. Metodologia

Arquitetura (MobileAgeNet)

O modelo proposto, MobileAgeNet, é construído sobre uma arquitetura leve e eficiente:

• Backbone: Utiliza o MobileNetV3-Large pré-treinado (no ImageNet) para extração de características visuais eficientes.
• Cabeça de Regressão: Um cabeçalho compacto composto por duas camadas totalmente conectadas (960 → 256 → 64) seguidas por ativações Hardswish e regularização Dropout, culminando em uma camada linear que mapeia para uma única saída escalar (idade).
• Saída Limitada (Bounded Output): Para garantir previsões realistas, a saída é escalada via função sigmoid para um intervalo definido de [0, 116] anos, com uma faixa de treinamento efetiva restrita a [1, 95] anos. Isso reduz a probabilidade de previsões extremas e melhora a estabilidade.

Estratégia de Treinamento

O treinamento segue uma abordagem de transfer learning em duas etapas:

1. Aquecimento (Warm-up): O backbone é congelado e apenas a cabeça de regressão é otimizada. As camadas de batch normalization do backbone permanecem em modo de avaliação.
2. Ajuste Fino (Fine-tuning): O backbone é desbloqueado e otimizado conjuntamente com a cabeça, utilizando uma taxa de aprendizado reduzida (fator de 0,10) para o backbone, preservando os recursos aprendidos.

• Função de Perda: Smooth L1 Loss com clamping dos alvos na faixa de treinamento.
• Otimizador: AdamW com cosine annealing para o agendamento da taxa de aprendizado e gradient clipping.

Reprodutibilidade e Pipeline

Todo o processo (preparação de dados, treinamento, otimização de hiperparâmetros e avaliação) é integrado ao framework NN LEMUR Dataset.

• Divisão de Dados: Amostragem estratificada baseada em faixas de 5 anos para garantir distribuição equilibrada entre conjuntos de treino (70%), validação (10%) e teste (20%).
• Otimização de Hiperparâmetros: Utilização do Optuna para busca automática de parâmetros (taxa de aprendizado, dropout, tamanho de lote, transformações de imagem) antes do treinamento final com configurações fixas ("locked").

3. Contribuições Principais

1. Modelo Leve para Mobile: Apresentação de um modelo baseado em MobileNetV3-Large com apenas 3,23 milhões de parâmetros, capaz de realizar inferência em tempo real.
2. Pipeline Reprodutível: Integração completa no framework NN LEMUR, estabelecendo um padrão de reprodutibilidade (seleção de checkpoints baseada em validação, dados de teste mantidos em hold-out, e protocolos de avaliação consistentes) que é frequentemente ausente na literatura de estimativa de idade.
3. Validação de Desempenho em Dispositivo: Demonstração de que um backbone pré-treinado compacto pode atingir desempenho competitivo no conjunto de dados UTKFace, mantendo baixa latência e custo computacional.

4. Resultados Experimentais

Desempenho de Precisão

• Conjunto de Dados: UTKFace (mais de 20.000 imagens, idades de 0 a 116 anos).
• Métrica Principal: Erro Absoluto Médio (MAE).
• Resultado Final: O MobileAgeNet alcançou um MAE de 4,65 anos no conjunto de teste mantido (held-out test set).
• Comparação: O desempenho supera baselines anteriores baseadas em MobileNet no mesmo conjunto de dados (ex: Savchenko com MAE de 5,44) e é competitivo com modelos distilled (destilados) que operam em faixas de idade restritas.

Eficiência e Latência

• Custo Computacional: 0,233 GFLOPs por inferência.
• Tamanho do Modelo: ~12,34 MB (formato TFLite).
• Latência em Dispositivo: Testado em um smartphone Motorola Edge 40 usando o aplicativo AI Benchmark.
  • Latência média de inferência: 14,4 ms.
  • Desvio padrão: 1,4 ms.
  • Tempo de inicialização: 25,6 ms.
  • Nota: A latência está bem abaixo do limiar de 30 ms considerado interativo.

Consistência de Implantação (ONNX para TFLite)

O estudo verificou a fidelidade da conversão do modelo do PyTorch para ONNX e, subsequentemente, para TensorFlow Lite (TFLite).

• Não houve degradação mensurável no MAE após a conversão (diferença de 0,0000 entre ONNX e TFLite no mesmo conjunto de validação), confirmando que o pipeline de implantação preserva o comportamento preditivo.

5. Significado e Conclusão

O trabalho estabelece o MobileAgeNet como uma base (baseline) prática e pronta para implantação para estimativa de idade facial em dispositivos móveis.

• Equilíbrio: Demonstra que é possível alcançar alta precisão sem recorrer a arquiteturas pesadas ou mecanismos de atenção complexos.
• Padrão de Avaliação: A ênfase na reprodutibilidade e na separação estrita entre seleção de modelo e teste final oferece um protocolo mais rigoroso para a comunidade de pesquisa.
• Aplicabilidade: Com latência de ~14ms e tamanho compacto, o modelo é viável para aplicações em tempo real em dispositivos de recursos limitados, como smartphones e sistemas de borda.

O código e o pipeline estão disponíveis no repositório associado ao framework NN LEMUR, facilitando a replicação e o desenvolvimento futuro de técnicas de distilação de conhecimento e quantização.