Confronto tra kernel quantistici e modelli di visione moderni per il riconoscimento di espressioni facciali composte

Perché leggere i volti è più difficile di quanto sembri

Molte tecnologie oggi cercano di leggere le nostre emozioni da una semplice immagine webcam, dai tool per la salute mentale e i monitor di sicurezza del guidatore fino ai robot sociali e ai tester di videogiochi. Ma le espressioni nella vita reale raramente sono soltanto “felici” o “tristi”. Spesso sono miste — paura mescolata a sorpresa, tristezza con tracce di disgusto — che anche le persone a volte interpretano male. Questo studio pone una domanda attuale: quali sistemi informatici moderni, inclusi i metodi emergenti basati sul quantistico, trovano il miglior equilibrio tra accuratezza e velocità nel decodificare queste emozioni sottili e miste dai volti nel mondo reale?

Emozioni miste nella vita quotidiana

Invece di concentrarsi sulle emozioni di base da manuale, gli autori affrontano espressioni composte come “paurosamente sorpreso” o “tristemente disgustato”. Questi stati sfumati si verificano frequentemente in contesti naturali come cliniche, automobili o robot sociali che interagiscono con le persone. Il team utilizza una raccolta di immagini nota, chiamata RAF-DB, contenente migliaia di volti catturati “in the wild” con illuminazione, pose e demografie variabili. Limitano l’attenzione a 11 categorie composte e applicano divisioni dei dati e pre-elaborazione identiche per tutti i metodi in modo che eventuali differenze di prestazione provengano realmente dai modelli, non da condizioni di addestramento scelte ad arte.

Sette modi per insegnare ai computer a leggere i volti

Lo studio confronta sette pipeline che rappresentano tre generazioni tecnologiche. Per prima cosa ci sono gli ibridi classici, che usano reti convoluzionali consolidate (ResNet50 e VGGFace) solo come estrattori di caratteristiche, quindi affidano la decisione finale a un classificatore più semplice basato sul margine chiamato SVM. In secondo luogo ci sono due modelli profondi moderni popolari: EfficientNetV2-S, una rete convoluzionale snella ottimizzata per l’efficienza, e ViT-B/16, un vision transformer che analizza le immagini come un insieme di patch e utilizza l’attenzione globale per connettere regioni facciali lontane. Terzo, tre ibridi quantistico–classici. In questi, un codificatore visivo standard produce caratteristiche numeriche compatte che vengono poi elaborate da componenti ispirati al quantistico: una support vector machine quantistica (QSVM), un metodo quantistico k-nearest neighbor (QKNN) o una rete convoluzionale quantistica (QCNN).

Velocità, accuratezza e compromessi

Piuttosto che inseguire un singolo numero di accuratezza da titolo, gli autori misurano attentamente il tempo di estrazione delle caratteristiche, il tempo di addestramento e il tempo di classificazione per immagine, il tutto sull’hardware identico. ViT-B/16 risulta in testa per accuratezza, classificando correttamente circa il 63% delle espressioni composte mantenendo un’estrazione delle caratteristiche sorprendentemente rapida. EfficientNetV2-S è vicino, con circa il 61% di accuratezza, ma richiede molto più tempo per estrarre le caratteristiche. Tra gli ibridi quantistici, la QSVM è la migliore, raggiungendo circa il 55% di accuratezza con solo circa un minuto di tempo di estrazione delle caratteristiche, rendendola attraente quando il budget di calcolo è limitato. QKNN e QCNN sono ancora più parsimoniosi in termini di tempo — specialmente QCNN — ma sacrificano accuratezza, rimanendo intorno alla metà degli anni ’30 percentuali. Gli ibridi classici stanno nel mezzo, utili come baseline trasparenti ma generalmente dietro rispetto alle opzioni moderne e potenziate dal quantistico.

Dove le macchine si confondono ancora

Uno sguardo più attento agli errori mostra che tutti i sistemi faticano in modi simili. Le confusioni tendono a raggrupparsi in due famiglie: paura contro sorpresa, e tristezza contro disgusto (talvolta mescolato con rabbia). Queste categorie condividono pattern muscolari facciali simili — occhi spalancati e sopracciglia sollevate per paura e sorpresa, o labbra abbassate e rughe del naso per tristezza e disgusto — quindi le loro impronte visive si sovrappongono. Neanche l’attenzione globale di ViT o i kernel quantistici più espressivi della QSVM riescono a separare completamente queste espressioni molto simili. Gli autori sostengono che i modelli futuri dovrebbero prestare attenzione mirata a regioni facciali specifiche legate alle unità d’azione (come gli angoli degli occhi, le sopracciglia e l’area intorno al naso), adattare gli obiettivi di addestramento per ampliare i margini tra classi vicine e usare strategie di data augmentation bilanciate per evitare l’overfitting alle composte più comuni.

Cosa significa questo per i sistemi reali sensibili alle emozioni

Gli autori non affermano che i metodi quantistici abbiano già superato il deep learning classico. Forniscono invece una mappa attenta del panorama attuale. Se l’accuratezza assoluta è imprescindibile e le risorse di calcolo sono abbondanti, i vision transformer restano in vantaggio. Quando gli sviluppatori devono controllare consumi energetici o latenza — per esempio su dispositivi edge o server a bassa latenza — gli ibridi quantistici come QSVM e QKNN offrono un promettente compromesso, riducendo i tempi di estrazione delle caratteristiche e inferenza mantenendo un’accuratezza rispettabile. Le pipeline classiche CNN-più-SVM restano utili come punti di riferimento. Combinando una rigorosa rendicontazione del calcolo, un’analisi dettagliata degli errori e test statistici formali, questo lavoro mostra che leggere emozioni umane complesse riguarda tanto un uso intelligente delle risorse e l’equità quanto la pura accuratezza — e che gli strumenti ispirati al quantistico potrebbero presto diventare partner pratici in questo sforzo.

Citazione: Florestiyanto, M.Y., Surjono, H.D. & Jati, H. Benchmarking quantum kernels and modern vision models for compound facial expression recognition. Sci Rep 16, 11261 (2026). https://doi.org/10.1038/s41598-026-41514-2

Parole chiave: riconoscimento delle espressioni facciali, emozioni composte, vision transformer, apprendimento automatico quantistico, modelli di IA efficienti