El reconocimiento de emociones faciales (FER) es un componente importante de la interacción humano-computadora y de la computación afectiva orientada a la salud. Sin embargo, el despliegue fiable sigue siendo difícil en entornos no controlados debido a la variabilidad de apariencia y geométrica (por ejemplo, pose, iluminación y oclusión), desbalance demográfico y sesgo en los conjuntos de datos. En la práctica, dos restricciones adicionales limitan frecuentemente los sistemas de FER en el mundo real: la sobrecarga computacional de arquitecturas pesadas y la limitada adaptabilidad cuando los datos evolucionan con el tiempo, donde las actualizaciones secuenciales pueden causar olvido catastrófico. Para abordar estos desafíos, proponemos la Red Incremental Mejorada con Atención (IAE-Net), un marco compacto de rama única construido sobre un respaldo DenseNet121 y un pipeline de refinamiento en cascada. El modelo incorpora Atención de Canal (CA) para enfatizar los canales de características relevantes para la expresión y suprimir respuestas menos informativas, seguido por un módulo de atención deformable (DA) que reduce la desalineación de características causada por el movimiento facial no rígido y cambios de pose, mejorando así la robustez ante variabilidad geométrica. Para el despliegue continuo, IAE-Net admite actualizaciones incrementales por clases a través de transferencia de pesos, reproducción de ejemplares y destilación de conocimiento para mejorar la retención durante el aprendizaje secuencial. Evaluamos IAE-Net en cuatro puntos de referencia ampliamente utilizados, FER2013, FERPlus, KDEF y AffectNet, cubriendo tanto condiciones controladas como en el entorno natural bajo un protocolo de entrenamiento unificado. El enfoque propuesto logra precisiones de 79.15%, 92.03%, 99.48% y 74.20% en FER2013, FERPlus, KDEF y AffectNet, respectivamente, con tendencias equilibradas en precisión, exhaustividad y puntaje F1. Estos resultados indican que IAE-Net proporciona un marco de FER eficiente y extensible con utilidad potencial en aplicaciones dinámicas del mundo real y orientadas a la salud a lo largo del tiempo.
Khan et al. (Wed,) estudiaron esta cuestión.