人脸识别网络mobilefacenet,的改进介绍

转原

论文阅读笔记：MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices

2018年07月30日 17:07:56 ProYH 阅读数：855 更多

																				<div class="tags-box space">
							<span class="label">个人分类：</span>
															<a class="tag-link" href="https://blog.csdn.net/u010579901/article/category/7800281" target="_blank">Deep-Learning 人脸识别论文																</a>
						</div>
																							</div>
			<div class="operating">
													</div>
		</div>
	</div>
</div>
<article class="baidu_pl">
	<div id="article_content" class="article_content clearfix csdn-tracking-statistics" data-pid="blog" data-mod="popu_307" data-dsm="post">
							<div class="article-copyright">
				版权声明：本文为博主原创文章，未经博主允许不得转载。					https://blog.csdn.net/u010579901/article/details/81288355				</div>
							            <div id="content_views" class="markdown_views prism-atom-one-dark">
						<!-- flowchart 箭头图标 勿删 -->
						<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg>
						<h1 id="论文阅读笔记mobilefacenets-efficient-cnns-for-accurate-realtime-face-verification-on-mobile-devices"><a name="t0"></a>论文阅读笔记：MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices</h1>

Tags：Deep_Learning_基础论文

---

本文主要包含如下内容：

  论文地址
  参考博客

  本篇论文来自北京交通大学，2018年CVPR，论文参考MobileNet进行优化，提出了MobileFaceNets。

---

主要思想

---

  针对人脸识别任务，论文从三个方面改进了MobileNetV2。即针对平均池化层，采用了可分离卷积代替平均池化层；针对人脸识别任务，采用ArcFace/Insightface的损失函数进行训练。针对网络结构，通道扩张倍数变小；使用Prelu代替relu;使用batch Normalization。
  

---

算法原理

---

  针对平均池化层，许多研究表明，使用平均池化层会使得网络表现下降。在最后一个7*7特征图中，虽然中心点的感知域和边角点的感知域是一样的，但是中心点的感知域包括了完整的图片，边角点的感知域却只有部分的图片，因此每个点的权重应该不一样，但是平均池化层却把他们当作一样的权重去考虑了，因此网络表现会下降。因此，作者在此处使用了可分离卷积代替平均池化层，即使用一个7*7*512（512表示输入特征图通道数目）的可分离卷积层代替了全局平均池化，这样可以让网络自己不同点的学习权重。 （可以参考博客：论文阅读笔记：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications）
  

---

实验结果

---

  首先，论文中和传统MobileNet、ShuffleNet进行了对比，在CASIA-Webface上进行训练，损失采用ArcFace/Insightface的损失。
  
  接下来，论文中和其他算法进行了对比，在清理过的MS-Celeb-1M上进行训练，损失采用ArcFace/Insightface的损失。并在LFW和Megaface进行验证。
  
  
  

---

总结

---

  这篇文章已经没有从损失上进行修改，反而从网络上进行了修改，是一个很好的思路。