Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento facial

• Autores: Mastropasqua, Nicolás Ezequiel
• Año de publicación: 2023
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Acevedo, Daniel Germán
• Materia: FACIAL EXPRESSION RECOGNITION; LABEL DISTRIBUTION LEARNING; LIGHTWEIGHT; CONVOLUTIONAL NEURONAL NETWORK; ACTION UNIT RECOGNITION; FACIAL EXPRESSION RECOGNITION; LABEL DISTRIBUTION LEARNING; LIGHTWEIGHT; CONVOLUTIONAL NEURONAL NETWORK; ACTION UNIT RECOGNITION
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Hoy en día, la búsqueda de soluciones lightweight que logren resultados comparables a modelos de Deep learning robustos ha recibido particular atención debido a su implementación factible en dispositivos móviles. Uno de los problemas que podrían aprovechar esta cualidad es el de Facial Expression Recognition (FER). Considerando que una gran cantidad de datasets de expresiones faciales suelen estar anotados con emociones categ´oricas cuando en realidad la mayor´ıa de las expresiones exhibidas en escenarios in-the wild ocurren como combinaciones o composici´on de emociones básicas, se puede hacer uso de Label Distribution Learning (LDL) como estrategia para el entrenamiento. En este trabajo se abordará el problema de FER a través de redes neuronales livianas entrenadas con LDL. Bajo el supuesto de que las im´agenes de expresiones faciales deberían tener una distribuci´on de emoción similar a la de su vecindad en un espacio de etiquetas auxiliares adecuado, como aquel determinado por la tarea de Action unit recognition, se puede aprovechar la informaci´on de las distribuciones e incorporar como parte la función de pérdida. Concretamente, se estudiarán en profundidad dos arquitecturas lightweight del Estado del arte, EfficientFace y CERN, y se analizará el impacto de distintos acercamientos para implementar LDL considerando datasets in the wild como RAF-DB, CAER-S, FER+ y AffectNet.
Nowadays, the search for lightweight solutions that achieve comparable results to those of heavy deep learning models has received increasing attention due to a feasible implementation on mobile devices. One of the problems that might benefit from this approach is the task of Facial Expression Recognition (FER). Considering the fact that datasets usually come with categoric labeling but most emotions occur as combinations, mixtures, or compounds of the basic emotions, we make use of label distribution learning (LDL) as a training strategy. In this thesis we deal with the FER problem using lightweight neuronal networks and LDL. We further assume that facial images should have similar emotion distributions to their neighbors when the right auxiliary task is considered, like the Action Unit Recognition problem. This neighbors’ distribution information is captured in the loss function to help the LDL training process. Specifically, we conduct a study of two state-of-the-art architectures, EfficientFace and CERN, to then analyze the impact of using different approaches to LDL on a variety of in-the-wild datasets: RAF-DB, CAER-S, FER+ and AffectNe
Fil: Mastropasqua, Nicolás Ezequiel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.