该论文提出了一种新的知识蒸馏方法，通过选择具有判别性的神经元来训练学生网络，以实现人脸识别模型的高效压缩。研究发现，教师模型的顶层神经元包含与人脸识别相关的重要信息，但存在非相关性和过拟合问题。通过对神经元的属性判别性定义，论文提出了一种选择方法，使得学生模型在压缩率高达51.6X的同时，推理速度提升了90倍。
目录
摘要
对KD进行改进，不用soften的标签作为监督信息，而是用softmax前的神经元作为监督信息
利用学到的人脸特征的必备的特性，提出了一种选择和人脸特征相关性高的特征的方法（提出选择的方法）、
用这种选择的方法加上监督信息的改进，模型可以达到51.6X的压缩率，推理时间加快了90倍
引言
- 之前做法总结
用softmax函数后的概率值作为监督信息；
用softmax之前的零均质化后神经元的值作为监督信息；
有人指出前两种做法都存在极限输出，一个是1一个是正无穷，提出了soften标签作为监督信息；
但是在人脸识别中这些做法不收敛；
- 本论文的出发点
最后隐藏层的神经元的信息，和softmax后的信息一样多，但是更加的紧凑；
这些信息中含有跟人脸识别不相关的信息，所以需要剔除，剔除的方法来自于以下三个观察现象；
观察现象一：将神经元看成是人脸属性上的分布代表，有的神经元是身份相关的属性（IA），有的是身份不相关的（NA）
观察现象二：有一部分神经元是对NA敏感的，还有一些是IA与NA混杂敏感的，这表明神经元不是完全可分解的，而且这是网络对人脸识别任务的过拟合现象
观察现象三：有些神经元是与这所有的属性无关的，一直被抑制的，这属于噪音
- 本论文的贡献
高维度的soft标签是难以拟合的，而用更紧凑的监督信息可以帮助更快地收敛；
发现了三个观察现象
提出了一种有效的神经元的选择方法
方法
通过选择后的神经元训练学生网络
- 网络损失函数
fi表示teacher网络中选择的神经元
g表示从输入Ii到特征的函数映射
W表示student网络的参数
- 如何选择出fi
最低0.47元/天 解锁文章
扫一扫
554
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
