MobileFaceNets

在mobilenet中，作者用mobilenet替换了facenet的inception，进行提取人脸特征。

作者：Fire_Light_
原文：https://blog.csdn.net/Fire_Light_/article/details/80279342

正文

mobilefacenet其实是mobilenetV2的改进版本，主要改进之处有以下几个地方：

1.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，但是一直没有理论说明，因此作者在文中给出了一个理论解释：

​ 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，如图：

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。
此处的可分离卷积层使用的英文名是global depthwise convolution，global表示全局，depthwise表示逐深度，即逐通道的卷积，其实就是之前描述的那种可分离卷积的方式：使用7*7*512的卷积核代替7*7*512*512的卷积核。
其实这里我们可以发现，后者其实是全卷积[1]。

2.采用Insightface的损失函数进行训练。
3.一些小细节：通道扩张倍数变小；使用Prelu代替relu;使用batch Normalization。
网络整体结构如下：

实验及结果

和MobileNet、ShuffleNet的对比

此处训练集采用CASIA-Webface，损失采用Insightface的损失

和其他算法的对比

此处训练集采用清理过的MS-Celeb-1M，损失采用Insightface的损失。

Megaface

文中引用

[1] Evan Shelhamer, Jonathan Long, Trevor Darrell.Fully Convolutional Networks for Semantic Segmentation .arXiv:1605.06211,2016.