基于快速下采样的轻量化网络设计方法及人脸识别应用

摘要

高精度卷积神经网络推理成本往往较高,很难在资源受限的嵌入式设备上进行实时推理.本文通过分析不同类型卷积对模型推理速度的影响因素,首次指出除了模型计算量,模型的特征图输出量也是影响推理速度的一个关键因素.而现有基于深度分离卷积的轻量化方法仅把模型的计算量作为模型轻量化指标,并未考虑特征图输出量对模型推理速度的影响.根据该发现,本文结合标准卷积提出一种基于快速下采样的模型轻量化加速方法,通过快速减少特征图尺寸来同时减少模型计算量和特征图输出量.本文方法设计的轻量化模型的特征提取能力和不同平台的推理速度均优于现有的基于深度分离卷积的轻量化方法.更进一步地,本文利用该方法针对人脸识别任务提出一个快速人脸识别模型FDFaceNet.与现有的轻量化人脸识别模型相比,FDFaceNet准确率更高,在不同平台上的推理速度更快.