摘要
针对人脸识别技术实际应用中存在着网络参数冗余、模型计算量大及人脸推理过程慢等问题,本文通过对卷积神经网络(CNN)的结构设计和损失函数进行了研究,提出了一种基于深度可分离卷积和全局平均池化技术的Small-FRNet卷积神经网络模型。相比于传统的卷积神经网络,模型采用深度可分离卷积和全局平均池化技术,有效地降低了网络的参数和计算量。同时,通过联合SoftMax损失和中心损失作为监督信号对损失函数进行优化,提高了特征的判别性,改善了人脸的识别精度。实验结果表明:相比于DeepFace,所提模型的参数量和计算量分别减少了97%和86%,在LFW人脸库上取得了99.38%的准确率。
学科与关键词
关键词
人脸识别卷积神经网络深度可分离卷积全局平均池化中心损失
- 一种基于卷积神经网络的人脸识别系统的实现杨太平电子测试, 2021, (19): 100-101+37.
- 基于卷积神经网络的智慧校园人脸识别系统设计与研究谢玲莉计算机时代, 2021, (10): 72-74+82.
- 具有隐私保护的深度学习人脸识别研究王艺萌其他, 2019.
