论文部分内容阅读
随着移动互联网的迅速发展以及智能移动终端的普及,人脸识别技术已广泛应用于移动端的身份认证及识别。深度学习近期在人脸识别领域取得重大突破,但由于移动智能终端的计算以及存储资源有限,导致难以在移动终端本地中应用。受lightened CNN网络启发,采用基于最大特征图训练的方法得到轻量级人脸网络。论文引入contrastive loss结合softmax loss的双监督信号来优化网络,得到一个轻量级高识别精度的人脸识别模型。在LFW数据集上的测试表明,轻量级网络利用更少参数的条件下,相比其它网络取得了相近的识别效果。轮文对轻量级人脸识别模型网络剪枝进行研究。实验证明剪枝后对网络进行再训练能帮助恢复模型的学习能力,并且进行迭代剪枝也能有效减缓网络剪枝带来的精度损失。通过实际训练在剪枝后网络的参数规模和识别性能之间进行权衡,选取最优剪枝率。实验证明,剪枝后的网络能有效防止过拟合,将模型参数数量压缩至原来的20%,模型的识别精度还提升了 0.14%。最后在移动智能终端上实现本地的CNN人脸识别系统,采用模型训练和识别任务分离机制,在PC端GPU上训练模型。手机端加载模型并提取人脸特征完成识别任务,成功在移动终端本地实现基于深度学习的人脸识别。系统各功能完备且具有高识别率,具备一定的有效性以及可行性。