VarGFaceNet：一种高效的轻量级面部识别可变分组卷积神经网络

为了提高轻量级网络在人脸识别中的判别能力和泛化能力，我们提出了一种高效的可变分组卷积网络，称为VarGFaceNet。VarGNet引入了可变分组卷积来解决小计算成本与块内计算强度不平衡之间的矛盾。我们利用可变分组卷积设计了我们的网络，该网络能够在支持大规模人脸识别的同时减少计算成本和参数数量。具体而言，我们在网络的起始部分采用了头部设置以保留关键信息，并提出了一种特定的嵌入设置以减少全连接层用于嵌入的参数。为了增强解释能力，我们采用角蒸馏损失的等效形式来指导我们的轻量级网络，并应用递归知识蒸馏来缓解教师模型与学生模型之间的差异。在LFR（2019）挑战赛的DeepGlint-Light赛道中，我们的模型和方法的有效性得到了验证。VarGFaceNet的实现代码将在不久后发布于https://github.com/zma-c-137/VarGFaceNet。