미니-레스에모넷: 지식 증류를 활용한 인간 중심 설계

얼굴 감정 인식(Facial Emotion Recognition)은 사용자 경험(User Experience) 분야에서 점점 더 중요한 역할을 하고 있으며, 특히 현대의 사용성 테스트에서 사용자의 만족도와 참여도를 더 깊이 이해하는 데 도움을 주고 있습니다. 본 연구는 지식 증류(Knowledge Distillation) 프레임워크를 활용하여 사용성 테스트에 맞춤화된 경량 모델인 미니-리스모트넷(Mini-ResEmoteNet) 모델들을 리스모트넷(ResEmoteNet) 모델에 추가하는 것을 목표로 합니다. FER2013 및 RAF-DB 데이터셋을 이용하여 세 가지 학생 모델 아키텍처(Student Model A, Student Model B, Student Model C)의 효율성을 평가하기 위한 실험을 수행했습니다. 이들 모델의 개발 과정에서는 교사 모델의 각 층에서 피처 채널 수를 약 50%, 75%, 87.5% 줄였습니다. FER2013 데이터셋에서 우수한 성능을 보인 학생 모델 A (E1)는 테스트 정확도 76.33%를 달성하여 에모넥스트(EmoNeXt)보다 0.21% 절대적으로 개선되었습니다. 또한, 추론 시 추론 속도와 메모리 사용량 면에서 리스모트넷(ResEmoteNet) 모델보다 절대적인 개선을 보였습니다. 연구 결과는 제안된 방법들이 다른 최신 기술(state-of-the-art approaches)보다 우수함을 나타내고 있습니다.