VarGFaceNet: Ein effizientes variables Gruppenkonvolutionales Neuronales Netzwerk für leichtgewichtige Gesichtserkennung

Um die diskriminierende und generalisierende Fähigkeit von leichtgewichtigen Netzwerken für die Gesichtserkennung zu verbessern, schlagen wir ein effizientes variables Gruppenkonvolutionales Netzwerk vor, das VarGFaceNet genannt wird. Die variable Gruppenkonvolution wurde von VarGNet eingeführt, um den Konflikt zwischen geringem Rechenaufwand und der Ungleichverteilung der Rechenintensität innerhalb eines Blocks zu lösen. Wir verwenden die variable Gruppenkonvolution, um unser Netzwerk zu gestalten, das große Skalen von Gesichtserkennungen unterstützen kann, während es den Rechenaufwand und die Anzahl der Parameter reduziert. Insbesondere behalten wir am Anfang des Netzwerks durch eine spezielle Head-Konfiguration wesentliche Informationen bei und schlagen eine bestimmte Einbettungskonfiguration vor, um die Parameter der vollständig verbundenen Schicht für die Einbettung zu reduzieren. Um die Interpretationsfähigkeit zu erhöhen, verwenden wir eine Äquivalenz des Winkel-Distillationsverlustes, um unser leichtgewichtiges Netzwerk zu leiten, und wenden rekursive Wissensdistillation an, um die Diskrepanz zwischen dem Lehrermodell und dem Schülermodell zu verringern. Der Sieger des deepglint-light Tracks der LFR (2019) Challenge belegt die Effektivität unseres Modells und unserer Herangehensweise. Die Implementierung von VarGFaceNet wird bald unter https://github.com/zma-c-137/VarGFaceNet veröffentlicht werden.