Mini-ResEmoteNet : Exploiter la distillation de connaissances pour le design centré sur l'humain

La reconnaissance des émotions faciales est devenue de plus en plus cruciale dans le domaine de l'expérience utilisateur, notamment dans les tests d'usabilité modernes, car elle facilite une compréhension plus approfondie de la satisfaction et de l'engagement des utilisateurs. Cette étude vise à étendre le modèle ResEmoteNet en utilisant un cadre de distillation de connaissances pour développer des modèles Mini-ResEmoteNet - des modèles étudiants légers - spécifiquement conçus pour les tests d'usabilité. Des expériences ont été menées sur les jeux de données FER2013 et RAF-DB afin d'évaluer l'efficacité de trois architectures de modèles étudiants : Modèle Étudiant A, Modèle Étudiant B et Modèle Étudiant C. Leur développement implique une réduction du nombre de canaux de caractéristiques dans chaque couche du modèle enseignant d'environ 50%, 75% et 87,5%. Le Modèle Étudiant A (E1) a montré des performances exceptionnelles sur le jeu de données FER2013, atteignant une précision de test de 76,33%, ce qui représente une amélioration absolue de 0,21% par rapport à EmoNeXt. De plus, les résultats montrent des améliorations absolues en termes de vitesse d'inférence et d'utilisation mémoire lors de l'inférence par rapport au modèle ResEmoteNet. Les conclusions indiquent que les méthodes proposées surpassent d'autres approches avancées actuelles.