Study on the effects of face aging in facial expression recognition

Abstract

[spa] Se espera que la población de personas mayores de 60 años incremente en las próximas décadas, trayendo consigo desafíos sobre el área de cuidados y de salud. Con el fin de asistir en este contexto, se están diseñando e implementando sistemas de apoyo al usuario. Para la correcta función de estos sistemas es necesaria la rápida identificación del estado del usuario. Una forma de conseguir esto es mediante la detección de expresiones faciales. Aun así, con el progreso de los modelos para reconocimiento de expresión facial no hay muchos esfuerzos enfocados en el reconocimiento en expresiones de mayores. Es un hecho que los modelos de reconocimiento de expresiones faciales obtienen diferentes métricas con datos de hombres y de mujeres, pero también con datos de jóvenes y mayores. Esta disparidad de rendimiento con la edad es una de las consecuencias de las escasas muestras en los conjuntos de datos comunmente usados. Para solucionar esto, se propone utilizar datos envejecidos artificialmente a fin de aumentar la proporción de datos de entrenamiento. Estos datos se obtienen mediante una arquitectura GAN, y posteriormente validados con predictores de edad y género. Los resultados muestran que el modelo utilizado tiene efectos en el reconocimiento de expresiones faciales. Se ha observado que ciertas expresiones pueden ser mejor distinguidas si se incluyen datos envejecidos. Además, se ha observado que, al incluir datos envejecidos, se pueden utilizar muestras de personas de hasta 55 años, incrementando así el margen de edad

[eng] The population of people above 60 years is expected to grow in the following decades, and with it, challenges regarding healthcare will follow. To attempt to aid in this context, user assistance systems are being designed and implemented. These systems rely on identifying the user state in order to act accordingly, and a direct way to do this is by face expression recognition. However, within the progression in performance and complexity of facial expression recognition models, not many improvements focus on recognition on old faces. It is known that facial expression recognition models perform differently with male and female data, but also with young and old people’s faces. This disparity in performance by age is usually a consequence of the lack of samples among the most popular datasets. In order to solve this, we propose the use of artificially aged data for improve the proportion of older faces for training. This data is obtained by using a GAN architecture, and further validated with age and gender predictors. Results show that the model selected does modify the face expression recognition results. It is found that some expressions can be better distinguished by using aged data. Moreover, we find that, by including aged data, the minimum age considered for training can be lowered to at least 55 years