GhostFaceNets : Modèle léger de reconnaissance faciale issu d'opérations économiques

Le développement de modèles biométriques fondés sur l’apprentissage profond pouvant être déployés sur des dispositifs à ressources mémoire et computationnelles limitées s’est révélé être un défi majeur. Les approches antérieures à ce problème n’ont pas privilégié la réduction de la redondance des cartes de caractéristiques, mais l’introduction des modules Ghost constitue une innovation majeure dans ce domaine. Les modules Ghost utilisent une série de transformations linéaires peu coûteuses pour extraire des cartes de caractéristiques supplémentaires à partir d’un ensemble de caractéristiques intrinsèques, permettant ainsi une représentation plus complète de l’information sous-jacente. GhostNetV1 et GhostNetV2, tous deux fondés sur ces modules Ghost, constituent la base d’une série de modèles légers de reconnaissance faciale appelés GhostFaceNets. GhostNetV2 améliore GhostNetV1 original en intégrant un mécanisme d’attention afin de capturer des dépendances à longue portée. L’évaluation des GhostFaceNets sur diverses benchmarks révèle que ces modèles offrent des performances supérieures tout en nécessitant une complexité computationnelle d’environ 60 à 275 MFLOPs, un niveau significativement inférieur à celui des modèles d’état de l’art (SOTA) basés sur les réseaux de neurones convolutifs (CNN) volumineux, qui peuvent nécessiter des centaines de millions de FLOPs. Les GhostFaceNets entraînés avec la perte ArcFace sur le jeu de données MS-Celeb-1M révisé atteignent des performances SOTA sur toutes les benchmarks. En comparaison avec les CNN mobiles SOTA précédents, les GhostFaceNets améliorent considérablement l’efficacité pour les tâches de vérification faciale. Le code des GhostFaceNets est disponible à l’adresse suivante : https://github.com/HamadYA/GhostFaceNets.