超轻量人脸关键点检测算法

摘要

随着深度学习网络研究的深入和网络模型精度的提高,网络层数及深度在逐渐增加,导致计算量增大。同时,基于深度学习模型人脸关键点检测在嵌入式设备上部署的需求,轻量化、高效和准确的网络模型成为研究关键。因此,本文设计了一个基于Ghost Model块和Ghost Bottleneck架构的超轻量型人脸关键点检测算法,在确保网络精度的同时,尽可能减小网络模型大小,降低计算量。在网络宽度因子为1X的情况下,与现有表现最好的轻量化网络模型PFLD 1X相比,归一化平均误差降低了7%,参数量减小了36%;在宽度因子为0.25X的情况下,本论文提出的网络模型大小仅420 KB,归一化平均误差降低了6.6%,参数量减小了25%。