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。