Apr, 2018

MobileFaceNets：基于移动设备实时高准确度人脸验证的高效卷积神经网络

PDF
TL;DR本文提出了 MobileFaceNets 类的 CNN 模型，其使用不到 100 万个参数，专为移动和嵌入式设备上的高准确度实时人脸验证而设计，并成功解决了普通移动网络在人脸验证方面的弱点，达到了与数百 MB 大小的最新大型 CNN 模型相媲美的高精度和更多超过 MobileNetV2 2 倍的实际加速。
发现论文，激发创造
  • MixFaceNets：极高效的人脸识别网络

    针对面部验证应用所需要效率极高和吞吐量大的需求，本文提出了基于混合深度卷积核的一组极其高效的深度学习模型 MixFaceNets，在多个数据集中对模型进行了评估，结果表明在计算复杂度相同的情况下，MixFaceNets 在所有的数据集上性能优于 MobileFaceNets，同时在计算复杂性在 500M 和 1G FLOPs 之间时，我们 MixFaceNets 的结果与排名前几位的模型相当，同时使用的 FLOPs 更少，验证了我们提出的 MixFaceNets 的实用价值。

    Jul, 2021

  • MobileNets：面向移动视觉应用的高效卷积神经网络

    本文介绍了 MobileNets 这一基于深度可分离卷积的轻量级深度神经网络架构，提出了利用全局超参数在时延和准确性之间平衡的方法，并在图像分类等多个领域进行了广泛实验。

    Apr, 2017

  • MobiFace: 移动设备上轻量级深度学习人脸识别

    本研究提出了一种名为 MobiFace 的轻量级深度神经网络，可在移动设备上进行人脸识别，并在某些情况下表现出与大型深度网络的竞争力。

    Nov, 2018

  • MobileFace：高效 CNN 回归的 3D 人脸重建

    本文提出了一种利用紧凑、快速的 CNN 模型在移动设备上实现实时重构的方法，通过使用传统的形态模型自动注释大量图像以供 CNN 训练，并优化 MobileNet CNNs 模型以改进速度、模型大小和保持最先进的重构精度。

    Sep, 2018

  • 轻量级人脸识别：改进的 MobileFaceNet 模型

    本研究详细探讨和比较了轻量级人脸识别模型，特别关注 MobileFaceNet 及其修改版 MMobileFaceNet。我们研究了数据集选择、模型架构和优化算法对人脸识别模型性能的影响。通过在 EFaR-2023 竞赛中的参与，我们的模型在参数受限的类别中表现出色。通过使用 Webface42M 数据集的子集和集成锐度感知最小化（SAM）优化，我们在各种基准测试中实现了显着的精度提升，包括跨姿势、跨年龄和跨种族的性能。结果凸显了我们方法在打造既计算高效又在不同条件下保持高精度的模型方面的有效性。

    Nov, 2023

  • SqueezerFaceNet：通过过滤器修剪进一步减少小型人脸识别 CNN

    移动设备的广泛使用为可靠的实时人脸识别验证提供了需求，本研究介绍了一种轻量级的人脸识别网络 SqueezerFaceNet，通过基于 Taylor 分数的网络剪枝方法将网络大小进一步减小，并且在不显著损失性能的情况下证明了其有效性。

    Jul, 2023

  • 面向边缘设备的高效人脸识别模型

    本文介绍了 EdgeFace，这是一种轻量级高效的人脸识别网络，它结合了 CNN 和 Transformer 模型的优势，使用低秩线性层优化了计算性能，适用于边缘设备，并在多个领域取得了理想的人脸识别结果。

    Jul, 2023

  • MoViNets：高效视频识别的移动视频网络

    提出了 MoViNets，一种计算和内存高效的移动视频网络，用于在线推断，借助三步方法实现计算效率和存储空间大幅提升。

    Mar, 2021

  • FeatherNets: 轻如羽毛的卷积神经网络用于人脸防欺诈

    本研究提出了极致轻量化的神经网络结构，同时设计了一种新颖的集成融合方法和数据集，以提高人脸反欺诈检测的性能和鲁棒性。

    Apr, 2019

  • MnasNet：面向移动端平台感知的神经结构搜索

    本文提出了一种自动化的移动神经结构搜索（MNAS）方法，该方法将模型延迟明确地纳入主要目标，以便搜索可以识别满足准确性和延迟之间良好平衡的模型， 实验结果表明，该方法在多个视觉任务中始终优于现有的移动卷积神经网络模型，并且实现了更好的 mAP 质量。

    Jul, 2018