Título: Estudio de redes profundas livianas con aprendizaje basado en distribuciones aplicadas al reconocimiento de expresiones faciales.
Director: Daniel Acevedo.
Jurados: Pablo Negri y Juan Manuel Pérez.

Resumen:
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 la mayoría de los datasets de expresiones faciales suelen estar anotados con emociones categóricas cuando en realidad la mayoría de las expresiones exhibidas en escenarios ‘in the wild’ ocurren como combinaciones o composición de emociones básicas, se puede hacer uso de Label Distibution Learning (LDL) como estrategia para el entrenamiento.
En este trabajo se abordará el problema de FER a través de redes neuoronales livianas usando LDL en modelos de Deep Learning livianos. Bajo el supuesto de que las imágenes de expresiones faciales deberían tener una distribución 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 información de las distribuciones e incorporarla 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.