在移动设备上训练和剖析儿童情绪识别分类器
机器学习
2021-08-27 v1 计算机视觉与模式识别
性能
摘要
在移动设备上实现自动情绪识别，可以为那些在识别情绪方面有困难的人，包括患有自闭症等发育行为障碍的儿童，提供一种易于获取的诊断和治疗工具。尽管在构建更准确的情绪分类器方面取得了最新进展，但现有模型的计算成本过高，无法部署在移动设备上。在本研究中，我们针对设计用于边缘设备推理的各种机器学习模型进行了优化和剖析，并能够匹配先前在儿童情绪识别方面的最先进结果。我们最好的模型，一个在ImageNet上预训练的MobileNet-V2网络，在CAFE数据集上达到了65.11%的平衡准确率和64.19%的F1分数，同时在摩托罗拉Moto G6手机上实现了45毫秒的推理延迟。这一平衡准确率仅比CAFE上当前最先进的结果低1.79%，而后者使用的模型参数数量多26.62倍，并且即使经过完全优化也无法在Moto G6上运行。这项工作验证了通过专门的设计和优化技术，机器学习模型可以变得足够轻量，以部署在移动设备上，并在困难的图像分类任务上仍能达到高准确率。
引用
@article{arxiv.2108.11754,
title = {Training and Profiling a Pediatric Emotion Recognition Classifier on Mobile Devices},
author = {Agnik Banerjee and Peter Washington and Cezmi Mutlu and Aaron Kline and Dennis P. Wall},
journal= {arXiv preprint arXiv:2108.11754},
year = {2021}
}