Tóm tắt Đề án Thạc sĩ: Xác định trạng thái biểu cảm khuôn mặt sử dụng học sâu

Việc nhận diện trạng thái biểu cảm khuôn mặt (Facial Expression Recognition - FER) đóng vai trò thiết yếu trong nhiều lĩnh vực ứng dụng, từ tư vấn chăm sóc khách hàng, giáo dục thông minh đến dịch vụ công, nơi việc phân tích cảm xúc con người từ hình ảnh và video mang lại giá trị sâu sắc. Mặc dù các kỹ thuật học sâu đã chứng minh hiệu quả vượt trội trong giải quyết bài toán này, các mô hình hiện tại thường có kích thước lớn và đòi hỏi tài nguyên tính toán đáng kể, gây khó khăn cho việc triển khai trên các thiết bị có bộ nhớ và hiệu suất hạn chế. Nhu cầu về các mô hình học sâu nhỏ gọn, hiệu quả là rất lớn để tối ưu hóa tốc độ suy luận và khả năng ứng dụng thực tế.

Các nhà nghiên cứu, sinh viên, kỹ sư trong lĩnh vực trí tuệ nhân tạo, thị giác máy tính và học sâu, đặc biệt quan tâm đến nhận diện cảm xúc và các mô hình hiệu quả về tài nguyên.

Nghiên cứu này tập trung vào giải quyết thách thức về kích thước và hiệu suất của các mô hình trong bài toán xác định trạng thái biểu cảm khuôn mặt (FER) bằng cách đề xuất một mô hình học sâu nhỏ gọn. Mục tiêu là phát triển một kiến trúc có số lượng tham số ít nhưng vẫn đạt được hiệu suất tương đối tốt, đảm bảo tốc độ dự đoán nhanh và khả năng triển khai trên các thiết bị có tài nguyên hạn chế. Mô hình đề xuất tích hợp ba yếu tố quan trọng: Tích chập phân tách theo chiều sâu (Depthwise Separable Convolution), khối phần dư (Residual Block), và các mô-đun chú ý (Attention Modules). Sự kết hợp này nhằm cân bằng giữa kích thước mô hình, tốc độ suy luận và độ chính xác. Quá trình giải quyết bài toán FER bao gồm phát hiện khuôn mặt và sau đó phân loại trạng thái biểu cảm thành bảy loại cảm xúc cơ bản. Để đánh giá hiệu quả, mô hình được thực nghiệm trên các bộ dữ liệu FER công khai phổ biến như FER2013, CK+, FER-Plus, và RAF-DB, đồng thời so sánh kết quả với các công trình liên quan. Điều này mang lại một giải pháp hiệu quả cho các ứng dụng thực tế yêu cầu xử lý dữ liệu nhanh chóng và tối ưu tài nguyên.