Publication:

Generando rostros humanos etiquetados mediante GANs para reconocimiento de emociones

Dada la creciente oleada de investigaciones en el ámbito de las redes generativas adversarias (GAN) en estos últimos años y viendo que se pueden conseguir resultados de alta calidad con modelos como StyleGAN2 [1], se abre la posibilidad de generar imágenes sintéticas como nunca antes. Esto permitiría a pequeños proyectos generar sus propios datasets de imágenes acorde a las necesidades de éstos, sin tener que depender de terceros ni de tener que recopilar los datos manualmente, lo que llevaría un tiempo y coste extra. Las ventajas de la generación de datasets mediante GANs abre un nuevo abanico de posibilidades, ya que podrían generarse bases de datos de rostros a la carta que podrían utilizarse para entrenar modelos de reconocimiento de expresiones faciales. Además, estos modelos permitirían generar datos de manera más balanceada, mitigando así los posibles sesgos en los datos originales. También, las imágenes generadas no representarían a ningún ser humano real [2]. Por lo que se podría obtener más soltura en el manejo de los datos, facilitando la investigación. El propósito de este proyecto es estudiar la viabilidad de utilizar datos sintéticos para el entrenamiento de modelos de reconocimiento de expresiones faciales mediante estas redes generativas adversarias. Para ello se proponen dos métodos de generación de datos controlada, ya que en este caso es necesario que los rostros generados expresen diferentes emociones. Por tanto, ambos métodos tratan de generar imágenes de rostros con una entrada aleatoria y ciertos datos de entrada adicionales como el género, la raza, la edad y el sentimiento que debe expresar dicho rostro. En este proyecto se estudia la viabilidad de cada uno de los modelos generativos comparando sus tiempos de entrenamiento, así como la calidad de los resultados de manera cualitativa y de manera cuantitativa, utilizando métricas acordes a las GAN. Posteriormente, se entrenan modelos de reconocimiento de expresiones para comparar el rendimiento según el conjunto con el que han sido entrenados (datos reales o sintéticos).