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

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。

Apr, 2018

本文介绍了深度学习技术在人脸识别领域中的应用和进展，提出了需要更大和更具挑战性公共数据集的必要性，以及可以提供这样数据集的机构。

Feb, 2019

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

本研究探讨轻量级卷积神经网络的多任务学习，用于识别人脸和分类面部属性（年龄，性别，种族），并在没有距离边缘的剪裁人脸上进行训练，需要微调这些网络以预测面部表情；使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型，并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果，在 AffectNet 数据集的情感分类上也表现出色；此外，展示了将已训练的模型用作视频帧中面部区域的特征提取器，其识别精度比以前已知的情感分类挑战的单一模型高 4.5％。

Mar, 2021

BlazeFace 是一个轻量且表现良好的人脸检测器，适用于移动 GPU 推理，能够以 200-1000+FPS 的速度运行。它可应用于需要准确面部区域的增强现实流水线，作为 2D / 3D 面部关键点或几何估计，面部特征或表情分类以及面部区域分割的输入。我们的贡献包括一个轻量级的特征提取网络、一个从 SSD 修改的 GPU 友好型锚点方案以及一种改进的连接决策策略。

Jul, 2019

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

本篇论文提出使用 DeepID3 算法来进行人脸识别，使用了卷积神经网络和 Inception 层，并采用监督信号技术来训练神经网络，最终取得了 99.53% 的 LFW 人脸验证准确率和 96.0% 的 LFW 排名 1 的人脸识别准确率。

Feb, 2015

本文综述了移动设备上深度学习的研究进展，包括算法、硬件架构、感知模态等技术的最新发展，以及对应的工具、应用和挑战。

Mar, 2019

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