MixFaceNets: Extrem effiziente Face-Recognition-Netze

In dieser Arbeit stellen wir eine Reihe extrem effizienter und hochdurchsatzfähiger Modelle zur genauen Gesichtserkennung vor, die MixFaceNets, welche von gemischten Tiefenkonvolutionellen Kernen (Mixed Depthwise Convolutional Kernels) inspiriert sind. Ausführliche Experimentevaluierungen auf den Datensätzen Labelled Faces in the Wild (LFW), Age-DB, MegaFace und den IARPA Janus Benchmarks IJB-B und IJB-C haben die Effektivität unserer MixFaceNets für Anwendungen mit sehr geringer Rechenaufwandskomplexität gezeigt. Bei vergleichbarer Rechenaufwandskomplexität (< 500M FLOPs) übertreffen unsere MixFaceNets MobileFaceNets in allen evaluierten Datensätzen, wobei sie eine Genauigkeit von 99,60 % auf LFW, 97,05 % auf AgeDB-30, 93,60 % True Acceptance Rate (TAR) bei einer False Acceptance Rate (FAR) von 1e-6 auf MegaFace, 90,94 % TAR bei einer FAR von 1e-4 auf IJB-B und 93,08 % TAR bei einer FAR von 1e-4 auf IJB-C erreichen. Bei einem Rechenaufwandskomplexität zwischen 500M und 1G FLOPs erzielten unsere MixFaceNets Ergebnisse vergleichbar mit den besten Modellen, während sie signifikant weniger FLOPs und einen geringeren Rechenaufwand benötigen. Dies belegt den praktischen Nutzen unserer vorgeschlagenen MixFaceNets. Der gesamte Trainingscode, die vortrainierten Modelle sowie die Trainingsprotokolle sind unter https://github.com/fdbtrs/mixfacenets verfügbar.