面向人脸识别的Small-FRNet模型研究

作者：黄跃俊; 白创^*

来源：传感器与微系统, 2021, 40(11): 57-60.

DOI：10.13873/J.1000-9787(2021)11-0057-04

• 人脸识别
• 卷积神经网络
• 深度可分离卷积
• 全局平均池化
• 中心损失

针对人脸识别技术实际应用中存在着网络参数冗余、模型计算量大及人脸推理过程慢等问题,本文通过对卷积神经网络(CNN)的结构设计和损失函数进行了研究,提出了一种基于深度可分离卷积和全局平均池化技术的Small-FRNet卷积神经网络模型。相比于传统的卷积神经网络,模型采用深度可分离卷积和全局平均池化技术,有效地降低了网络的参数和计算量。同时,通过联合SoftMax损失和中心损失作为监督信号对损失函数进行优化,提高了特征的判别性,改善了人脸的识别精度。实验结果表明:相比于DeepFace,所提模型的参数量和计算量分别减少了97%和86%,在LFW人脸库上取得了99.38%的准确率。

• 单位
  长沙理工大学