改进的轻量化人脸识别算法

摘要: 嵌入式平台计算资源有限,无法实时运行计算量和参数量巨大的深度学习模型。基于mobilenet v2提出一种改进的轻量化人脸识别算法L-mobilenet v2,首先对原有网络结构进行优化,然后以三元损失函数为主,将传统分类任务中的softmax损失改为Am-softmax作为辅助损失函数,使用10575个人的49万张图片进行联合训练。相比于改进前的模型及训练方法,新模型在LFW测试集和自制数据集的识别准确率达到98.56%和95%,将模型参数量缩减72.3%的同时将识别准确率提高了1.56%和7.1%,在嵌入式平台Jetson nano上的平均识别帧率提升了36.3%。该模型可以在计算资源受限的移动端实时运行。

  • 关键词: 
  • 嵌入式平台  /  
  • 深度学习  /  
  • 人脸识别  /  
  • 轻量化网络  /  
  • mobilenet v2模型  /  
  • softmax损失  /  
  • Am-softmax损失  /  
  • Jetson nano平台  

人脸识别技术是现代社会应用最广泛的技术之一。基于特征空间的主元分析法(principal component analysis, PCA)将人脸映射到低维空间后存在较多的非零元,李东博等[1]提出了一种重加权稀疏主成分分析算法对此进行了优化。徐竞泽等[2]结合主元分析法PCA、线性判别分析法(linear discriminant analysis, LDA)和支持向量机 (support vector machine, SVM)提出一种新的人脸识别融合算法。这些传统的人脸识别算法多是提取人脸较为浅层的特征,深度学习的兴起改变了这一现状。Liu等[3]基于ResNet64主干网络提出带乘性角度间隔的损失函数SphereFace&#x

你可能感兴趣的:(物联网及AI前沿技术专栏,算法)