面向移动设备端上基于眼部用户识别的紧凑型 CNN 模型
计算机视觉与模式识别
2021-10-12 v1
摘要
大量研究已证明深度学习卷积神经网络(CNN)模型在移动设备中基于眼部的用户识别方面的有效性。然而,这些高性能网络由于涉及数百万参数与计算量,具有巨大的空间与计算复杂度。这些需求使得将深度学习模型部署到资源受限的移动设备具有挑战性。为此,仅有少数基于知识蒸馏与基于块(patch)模型的研究被提出,以获得移动环境下用于眼部识别的紧凑尺寸 CNN 模型。为进一步推进最先进水平,本研究首次评估了五种神经网络剪枝方法,并将其与知识蒸馏方法进行比较,用于基于眼部图像的设备端 CNN 推理与移动用户验证。在 VISOB 和 UPFR-Periocular 数据集上的受试者无关分析表明,以 ResNet50 为基础模型,在 8 倍压缩率下基于层量级(layerwise magnitude-based)的剪枝对于移动端基于眼部的认证是有效的。此外,与知识蒸馏的比较表明,在验证精度以及以深度特征提取时间衡量的实时推理(在五款移动设备即 iPhone 6、iPhone X、iPhone XR、iPad Air 2 和 iPad 第 7 代上测得)方面,知识蒸馏优于剪枝方法。
引用
@article{arxiv.2110.04953,
title = {Compact CNN Models for On-device Ocular-based User Recognition in Mobile Devices},
author = {Ali Almadan and Ajita Rattani},
journal= {arXiv preprint arXiv:2110.04953},
year = {2021}
}
备注
8 pages. arXiv admin note: text overlap with arXiv:2003.03033 by other authors