Comparando Modelos de IA para Reconhecimento de Emoções

Reconhecimento de emoções é importante pra como os humanos interagem entre si. Com o crescimento da inteligência artificial, entender emoções ganhou bastante destaque. Esse artigo analisa como dois tipos de modelos de computador, Redes Neurais Convolucionais (CNN) e VGG16 Modificado, se saem em reconhecer emoções usando dois conjuntos de dados: FER2013 e AffectNet. O objetivo é ver quão bem esses modelos conseguem identificar emoções e se eles funcionam bem em diferentes conjuntos de dados.

#Importância do Reconhecimento de Emoções

Reconhecer emoções humanas baseado em expressões faciais é crucial em várias áreas. É útil na interação humano-computador, onde os computadores precisam entender como as pessoas se sentem. Também tem aplicações em avaliações de saúde mental. Mas, reconhecer emoções com precisão é complicado porque as expressões faciais podem variar bastante. Além disso, as emoções em si podem ser vistas de maneiras diferentes por pessoas diferentes.

A transferência de aprendizado oferece uma forma de melhorar a precisão do reconhecimento de emoções. Usando modelos que já foram treinados em conjuntos de dados grandes e variados, podemos ajudar eles a se saírem melhor em tarefas onde tem pouca informação. Enquanto alguns estudos já olharam pra transferência de aprendizado pra reconhecimento de emoções com modelos como o VGG16, ainda tem trabalho a ser feito pra fazer esses modelos funcionarem bem em diferentes situações.

#Objetivos da Pesquisa

O objetivo aqui é comparar quão bem os modelos CNN e VGG16 Modificado reconhecem emoções. Vamos analisar como esses modelos se saem ao mudar de um conjunto de dados fonte (FER2013) pra um conjunto de dados alvo (AffectNet). Vamos olhar pra onde esses modelos se destacam e onde têm dificuldades, e buscar formas de melhorar seu desempenho.

#Conjuntos de Dados Utilizados

Pra testar nossa hipótese, usamos dois conjuntos de dados populares. O conjunto FER2013 contém imagens em preto e branco das expressões faciais das pessoas, organizadas em sete categorias de emoção: raiva, nojo, medo, felicidade, tristeza, surpresa e neutralidade. O conjunto AffectNet tem uma variedade maior de expressões faciais, além de diferentes fundos e ângulos, sendo uma boa escolha pra avaliar como os modelos se saem quando enfrentam diferentes tipos de dados.

Antes de testar os modelos, redimensionamos as imagens pra 48x48 pixels e ajustamos os valores dos pixels pra se encaixarem na faixa de 0 a 1. Pra nosso estudo, escolhemos dois tipos de modelos: uma CNN simples e a versão modificada do VGG16.

#Modificações no VGG16

O modelo VGG16 Modificado é uma versão ajustada do modelo original VGG16, que tem mudanças específicas pra melhorar seu desempenho. O VGG16 original tem 13 camadas de convolução e 3 camadas totalmente conectadas. A versão modificada adiciona mais uma camada em cada bloco de convolução, totalizando 16 camadas convolucionais. Esse aumento de profundidade ajuda o modelo a aprender características mais detalhadas dos dados.

Outra mudança é a adição de uma camada totalmente conectada extra com 2048 neurônios entre as camadas totalmente conectadas já existentes. Isso dá ao modelo mais capacidade de aprender relações complexas dentro das características que ele identifica, potencialmente melhorando sua precisão.

Além disso, a versão modificada tem mais neurônios nas camadas totalmente conectadas que a original. As duas primeiras camadas totalmente conectadas têm 4096 neurônios cada, enquanto a nova camada tem 2048 neurônios. Esse aumento permite que o modelo capture representações mais diversas dos dados.

O VGG16 modificado também usa uma taxa de dropout de 0.25 após cada camada totalmente conectada pra evitar que o modelo simplesmente decore os dados de treino. Essa técnica de dropout incentiva o modelo a encontrar características que generalizem melhor em vários tipos de dados. No VGG16 original, uma taxa de dropout mais alta de 0.5 é usada, mas manter o dropout na versão modificada ajuda a manter sua capacidade de reconhecer diferentes emoções de forma efetiva.

Pra melhorar o processo de aprendizado, o VGG16 modificado usa um agendador de taxa de aprendizado que ajusta a taxa de aprendizado durante o treino. Isso ajuda o modelo a aprender de forma mais eficaz e pode levar a um desempenho melhor.

#Configuração do Experimento

Ambos os modelos foram pré-treinados no conjunto de dados FER2013 antes de serem ajustados pra funcionar com o conjunto de dados AffectNet. Avaliamos seu desempenho usando métricas padrão como precisão, precisão, recall e F1-score. Essas medidas são comumente usadas pra avaliar quão bem os modelos categorizam emoções. Também usamos uma medida chamada entropia preditiva, que analisa quão certo o modelo está sobre suas previsões. Isso ajuda a entender quão confiáveis os modelos são quando enfrentam situações incertas.

#Resultados Experimentais

Comparando quão bem os modelos CNN e VGG16 Modificado se saíram nos dois conjuntos de dados: FER2013 e AffectNet.

#Desempenho no Conjunto de Dados FER2013

No conjunto FER2013, a CNN alcançou uma precisão de 66.20%. Sua precisão, recall e F1-score estavam todas em torno do mesmo nível de cerca de 66%. A entropia preditiva do modelo CNN foi medida em 0.3977. O modelo VGG16 Modificado teve um desempenho ligeiramente melhor, alcançando 67.43% de precisão junto com métricas semelhantes de precisão, recall e F1-score. Contudo, a entropia preditiva foi um pouco maior em 0.5588, indicando mais incerteza em suas previsões do que a CNN.

Esse leve aumento no desempenho, especialmente na precisão, sugere que o modelo VGG16 Modificado pode ter conseguido aprender características mais complexas do conjunto de dados FER2013 do que o modelo CNN. Mas, o risco de overfitting ainda precisa ser considerado.

#Desempenho no Conjunto de Dados AffectNet

Quando testamos ambos os modelos no conjunto de dados AffectNet, a precisão da CNN caiu significativamente pra 41.43%, com quedas notáveis em precisão, recall e F1-score. O modelo VGG16 Modificado mostrou uma tendência semelhante, alcançando 42.86% de precisão, que também representou uma queda em relação ao seu desempenho no conjunto FER2013.

A queda de desempenho ao mudar de FER2013 pra AffectNet indica que ambos os modelos tiveram dificuldades pra se adaptar às diferentes características e tipos de expressões emocionais no conjunto de dados AffectNet. Mesmo assim, o modelo VGG16 Modificado sempre se saiu melhor, sugerindo que sua estrutura mais complexa contribuiu positivamente para seus resultados.

#Análise dos Resultados

Resumindo, enquanto o modelo VGG16 Modificado mostrou algumas vantagens sobre a CNN no conjunto de dados FER2013, ambos os modelos enfrentaram desafios ao tentar reconhecer emoções no conjunto de dados AffectNet. Os resultados destacam a necessidade de conjuntos de dados que tenham uma variedade de exemplos pra ajudar a melhorar as capacidades de generalização desses modelos de reconhecimento de emoções.

O modelo CNN é conhecido por ser simples e eficiente. Sua estrutura de camadas convolucionais e de pooling alternadas permite que ele colete características importantes das imagens. Portanto, a CNN se saiu bem e mostrou resultados sólidos em reconhecer sutis pistas emocionais.

Por outro lado, o modelo VGG16 Modificado tem uma estrutura mais complexa que ligeiramente aumentou seu desempenho. No entanto, essa complexidade vem com um custo, já que requer mais poder computacional e tempo pra treinamento. Isso pode limitar seu uso prático, especialmente em situações onde os recursos são limitados.

Também percebemos que, enquanto o VGG16 Modificado se saiu bem com os dados de treinamento, ele tende a overfitting, particularmente quando treinado em conjuntos de dados menores. Isso aponta pra necessidade de técnicas que previnam overfitting e uma exploração mais aprofundada de métodos de aumento de dados.

#Conclusão

Esse estudo comparou quão eficazmente os modelos CNN e VGG16 Modificado se saem no reconhecimento de emoções usando dois conjuntos de dados: FER2013 e AffectNet. Nossos resultados mostraram que ambos os modelos puderam identificar emoções bem no conjunto de dados FER2013, mas seu desempenho caiu no conjunto de dados AffectNet, demonstrando as dificuldades de generalizar entre diferentes tipos de dados.

Uma lição chave dessa pesquisa é a importância da variedade dos conjuntos de dados pra treinar e testar os modelos. As diferenças de desempenho entre os dois conjuntos de dados destacam a necessidade de conjuntos de dados mais abrangentes que possam ajudar a melhorar a robustez e a capacidade de generalização do modelo.

Olhando pra frente, tem muitas perguntas abertas e áreas pra futura exploração. Uma possibilidade é investigar o uso de diferentes tipos de informações, como texto e áudio, juntamente com o reconhecimento facial pra melhorar a precisão. Além disso, melhorar as formas de coleta e anotação de conjuntos de dados pode levar a um desempenho melhor no reconhecimento de emoções.

Ao enfrentar esses desafios e pesquisar novos métodos, podemos avançar no campo do reconhecimento de emoções e suas aplicações em áreas como computação afetiva e interação humano-computador.