Beispiel- und Berechnungsneuverteilung für effiziente Gesichtserkennung

Obwohl erhebliche Fortschritte bei der unkontrollierten Gesichtserkennung erzielt wurden, bleibt die effiziente Gesichtserkennung mit geringem Rechenaufwand und hoher Genauigkeit weiterhin eine offene Herausforderung. In diesem Paper zeigen wir, dass die Auswahl der Trainingsdaten und die Verteilung der Berechnungsressourcen entscheidende Faktoren für eine effiziente und präzise Gesichtserkennung sind. Ausgehend von diesen Beobachtungen stellen wir zwei einfache, jedoch wirksame Methoden vor: (1) Sample Redistribution (SR), die Trainingsbeispiele für die am stärksten benötigten Stufen basierend auf Statistiken aus Benchmark-Datensätzen ergänzt; und (2) Computation Redistribution (CR), die die Berechnungsressourcen zwischen dem Backbone, dem Neck und dem Head des Modells auf Basis einer sorgfältig definierten Suchmethode neu verteilt. Umfangreiche Experimente auf WIDER FACE zeigen, dass die vorgeschlagene \scrfd-Familie in einer breiten Bandbreite an Rechenressourcen eine state-of-the-art-Performance in Bezug auf das Effizienz-Genauigkeits-Trade-off erzielt. Insbesondere übertrifft \scrfdf{34} den besten Konkurrenten, TinaFace, um $3,86\%$ (AP auf dem Hard-Set), während er auf GPUs mit VGA-Auflösung mehr als \emph{3× schneller} ist. Außerdem veröffentlichen wir unseren Code, um zukünftige Forschungsarbeiten zu unterstützen.