Perpustakaan Digital ITB

Efisiensi komputasi merupakan tantangan krusial dalam aplikasi pengenalan ekspresi wajah (facial expression), yang menuntut model berkinerja tinggi namun tetap ringan untuk dijalankan pada perangkat dengan sumber daya terbatas. Penelitian ini secara spesifik mendalami tantangan ini dengan memanfaatkan teknik Knowledge Distillation (KD). Tujuan utamanya adalah untuk mentransfer pengetahuan dari model pengenalan wajah yang kompleks dan memiliki performa tinggi atau biasa disebut sebagai model teacher ke arsitektur Spiking Neural Network (SNN) yang secara inheren lebih hemat daya atau disebut juga sebagai model student, sehingga menciptakan model yang seimbang antara akurasi dan efisiensi. Untuk mengevaluasi efektivitas pendekatan ini, metode KD diterapkan pada dua tugas facial expression recognition yaitu pada pengenalan macro-expression dan micro-expression. Pada tugas macro-expression, distilasi pengetahuan dari model teacher (POSTER++) ke model student (SNN) menunjukkan keberhasilan. Model student berhasil mencapai peningkatan efisiensi daya sebesar 36% dan pengurangan parameter sebesar 35%, sementara akurasinya mampu dipertahankan pada tingkat yang sangat kompetitif (91,79% dan 92,145% pada teacher). Namun, hasil yang kontras ditemukan pada tugas micro-expression yang lebih sensitif. Meskipun model student (HTNet+SNN) menjadi 25% lebih efisien, kinerjanya mengalami penurunan yang cukup drastis, yang terlihat dari menurunnya skor metrik evaluasi seperti UF1 (dari 82,61% menjadi 63,6%), UAR (dari 81,66% menjadi 64,8%) dan UP (dari 83.61% menjadi 62,44%). Analisis mendalam mengidentifikasi beberapa faktor penyebab penurunan drastis ini. Hilangnya informasi spasial-temporal yang halus akibat sifat sinyal biner pada lapisan spiking SNN menjadi penyebab utama. Dikarenakan pada micro-expression intensitas ekspresi yang dikeluarkan sangat singkat dan lemah, berbeda dengan macro yang sangat jelas dan berdurasi lebih lama. Selain itu, tantangan dalam optimisasi model SNN yang bersifat temporal dan potensi keterbatasan data latih untuk micro-expression turut berkontribusi pada degradasi performa. Dengan demikian, penelitian ini menyimpulkan adanya trade-off antara efisiensi dan akurasi, khususnya pada tugas yang sangat sensitif terhadap detail seperti micro-expression.