An Improved EfficientNet-B0 Model for Facial Emotion Recognition

Os computadores há muito tempo são capazes de reconhecer rostos, identificando quem é uma pessoa ao mapear a distância entre seus olhos ou o formato de sua mandíbula. Mas ensinar uma máquina a entender como uma pessoa se sente é um desafio diferente e mais sutil. Este campo, conhecido como reconhecimento de emoções faciais, pede que o software olhe para uma imagem estática e decida se o sujeito está feliz, triste, zangado, surpreso ou neutro. É uma tarefa que depende da detecção de minúsculas mudanças no movimento muscular ao redor da boca e dos olhos, mudanças que podem ser tão fugazes quanto um lampejo de luz. Embora esta tecnologia prometa tornar os computadores mais responsivos às necessidades humanas — ajudando motoristas a manterem-se alertas, auxiliando professores com o engajamento dos alunos ou ajudando profissionais de saúde — ela tem lutado contra um problema persistente: os dados usados para ensinar esses sistemas são frequentemente desordenados. Fotos do mundo real variam drasticamente em iluminação e ângulo, e os rótulos que os humanos atribuem a elas são frequentemente inconsistentes. Além disso, pesquisadores há muito debatem se simplesmente tornar o "cérebro" do computador maior e mais complexo realmente leva a melhores resultados, ou se apenas desperdiça energia e tempo sem adicionar valor real.

Uma equipe de pesquisadores da Universidade de Port Harcourt, na Nigéria, partiu para resolver este debate e limpar os dados nos bastidores. Eles se concentraram em um tipo específico de arquitetura de computador chamada EfficientNet, que é projetada para ser eficiente ao aprender com imagens. Eles escolheram testar três versões deste sistema: um modelo pequeno e leve conhecido como B0, e duas versões maiores e mais complexas chamadas B1 e B2. O objetivo não era apenas construir um sistema que funcionasse, mas descobrir se os modelos maiores valem realmente o custo extra. Para fazer isso, os pesquisadores primeiro tiveram que consertar a fundação. Eles reuniram milhares de imagens de duas grandes coleções públicas, uma contendo fotos encontradas na internet e outra apresentando rostos capturados em ambientes do mundo real. Eles então realizaram uma limpeza rigorosa, removendo milhares de imagens duplicadas e descartando arquivos onde o rótulo emocional parecia errado ou incerto. Eles terminaram com um conjunto perfeitamente equilibrado de 25.000 imagens, com exatamente 5.000 exemplos para cada uma das cinco emoções alvo: felicidade, tristeza, raiva, surpresa e neutro. Esta preparação cuidadosa garantiu que o computador estivesse aprendendo com exemplos únicos, em vez de memorizar cópias repetidas.

Os pesquisadores então treinaram seus três modelos com esses dados limpos, usando uma técnica chamada transferência de aprendizado (transfer learning), que permite que o computador comece com o conhecimento que já adquiriu ao reconhecer objetos gerais como gatos e carros, e depois adapte esse conhecimento para reconhecer expressões humanas. Eles treinaram os modelos em duas etapas, primeiro ensinando as novas partes do sistema e depois ajustando finamente (fine-tuning) toda a rede. Os resultados revelaram um vencedor claro em termos de eficiência. O menor modelo, EfficientNet-B0, alcançou uma precisão de quase 79 por cento em um conjunto de imagens que nunca tinha visto antes. Ele identificou corretamente a emoção em aproximadamente 79 de cada 100 casos de teste. O modelo maior, EfficientNet-B1, teve um desempenho ligeiramente melhor, atingindo pouco menos de 80 por cento de precisão, mas a diferença foi tão pequena que testes estatísticos mostraram que não era uma melhoria significativa. O maior modelo, EfficientNet-B2, na verdade teve um desempenho pior, pontuando em torno de 75 por cento, em grande parte porque não recebeu tempo suficiente para aprender totalmente durante o experimento.

O verdadeiro significado do estudo reside no custo dessas diferenças. Os modelos maiores exigiram significativamente mais poder de computação e tempo para rodar. O menor modelo podia analisar uma única imagem em cerca de 8,5 milissegundos, enquanto os modelos maiores levavam quase 12,5 milissegundos para a mesma tarefa. Em termos práticos, isso significa que o modelo menor é cerca de 30 por cento mais rápido e usa cerca de 37 por cento menos configurações internas, ou parâmetros, para realizar o trabalho. Os pesquisadores concluíram que, para esta tarefa específica de reconhecer cinco emoções básicas, as estruturas maiores não proporcionam precisão extra suficiente para justificar seu custo mais elevado. O modelo menor ofereceu o melhor equilíbrio, entregando alto desempenho sem o pesado fardo computacional.

Mesmo com este sucesso, o estudo destacou onde a tecnologia ainda enfrenta dificuldades. O computador era excepcionalmente bom em detectar felicidade e surpresa, emoções que envolvem movimentos distintos e amplos do rosto. No entanto, ele frequentemente confundia tristeza com uma expressão neutra. Quando uma pessoa estava verdadeiramente triste, o modelo às vezes a rotulava como neutra, e quando estava neutra, às vezes supunha tristeza. Isso sugere que o sistema acha difícil distinguir entre um rosto que está simplesmente em repouso e um que carrega uma emoção negativa de baixa intensidade. Apesar dessa confusão, o sistema foi implementado com sucesso como uma aplicação web funcional. Os usuários podem carregar uma foto ou usar uma webcam, e o sistema retorna instantaneamente a emoção prevista junto com um índice de confiança. Todo o processo, desde clicar no botão até ver o resultado, leva apenas alguns segundos, com a análise computacional real ocorrendo em uma fração de milissegundo.

Este trabalho demonstra que, na corrida para construir uma inteligência artificial mais inteligente, maior nem sempre é melhor. Ao limpar cuidadosamente os dados e comparar diferentes tamanhos da mesma tecnologia, os pesquisadores mostraram que um modelo menor e mais eficiente pode frequentemente superar seus equivalentes maiores quando a tarefa é bem definida. Eles provaram que, para reconhecer emoções humanas básicas, uma abordagem simplificada não é apenas mais rápida e barata, mas também tão precisa quanto. O estudo deixa a porta aberta para melhorias futuras, como ensinar o sistema a reconhecer medo e nojo, ou ajudá-lo a entender como as emoções mudam ao longo do tempo em um vídeo, mas, por enquanto, estabelece um caminho claro e eficiente para a detecção de emoções em tempo real.