SeesawFaceNets: نموذج نادر و قوي لتحقق الوجه للمنصات المحمولة

الشبكات العصبية التلافيفية العميقة (DCNNs) أصبحت الحل الأكثر استخدامًا لمعظم المهام المتعلقة برؤية الحاسوب، ومن أهم مجالات التطبيق هو التحقق من الهوية الوجهية. نظرًا لأدائها الدقيق للغاية، تلعب النماذج العميقة للتحقق من الهوية الوجهية، والتي تتم مرحلة الاستدلال فيها على منصة السحابة عبر الإنترنت، دورًا رئيسيًا في معظم الحالات العملية. ومع ذلك، هناك مشكلتان حرجتان: أولاً، قد لا يتم حماية الخصوصية الفردية بشكل جيد لأن المستخدمين يجب أن يرفعوا صورهم الشخصية وغيرها من المعلومات الخاصة إلى الخادم السحابي عبر الإنترنت. ثانيًا، تكون كلٌ من مراحل التدريب والاستدلال مُستهلكة للوقت والتأخير قد يؤثر على تجربة العملاء، خاصة عندما تكون سرعة اتصال الإنترنت غير مستقرة أو في المناطق النائية حيث يكون استقبال الهاتف المحمول ضعيفًا، وكذلك في المدن حيث يمكن للمباني وغيرها من الإنشاءات أن تحجب إشارات الهاتف المحمول. لذلك، تصميم شبكات خفيفة الوزن ذات متطلبات ذاكرة وتكلفة حسابية منخفضة هو أحد أكثر الحلول العملية لتطبيق التحقق من الهوية الوجهية على المنصات المحمولة. في هذا البحث، تم اقتراح شبكة محمولة جديدة باسم SeesawFaceNets (سيزافيسنتس)، وهي نموذج بسيط ولكنه فعال لتنفيذ التعرف على الوجوه بكفاءة على الأجهزة المحمولة. أظهرت النتائج التجريبية الكثيفة أن النموذج المقترح SeesawFaceNets يتفوق على النموذج الأساسي MobilefaceNets (موبيلفيسنتس) بمعدل تكلفة حسابية يبلغ 66٪ (146 مليون مقابل 221 مليون ماضٍ لكل عملية حسابية - MAdds)، وحجم دُفعة أقل وخطوات تدريب أقل. كما حقق SeesawFaceNets أداءً مكافئًا لنماذج الحالة المتقدمة الأخرى مثل mobiface (مobiفايس) بمعدل 54.2٪ (1.3 مليون مقابل 2.4 مليون معلمة) و31.6٪ (146 مليون مقابل 462 مليون ماضٍ لكل عملية حسابية - MAdds). وهو أيضًا تنافسي في نهاية المطاف ضد شبكات التعرف على الوجوه العميقة ذات نطاق كبير في جميع البيانات الخمس العامة للتحقق التي تم ذكرها، بمعدل 6.5٪ (4.2 مليون مقابل 65 مليون معلمة) و4.35٪ (526 مليون مقابل 12 مليار ماضٍ لكل عملية حسابية - MAdds).