深度网络剪枝：CNN在人脸识别中的比较研究

移动设备广泛应用于各种交易场景， necessitates 可靠且实时的身份验证，导致人脸识别（FR）通过嵌入设备的摄像头得到广泛应用。深度卷积神经网络（CNN）的进展为FR取得了显著进展。然而，最先进的架构规模不适用于移动部署，由于它们通常包含数百兆字节和数百万参数。我们通过研究应用于FR的深度网络压缩方法来解决此问题。具体而言，我们应用基于Taylor评分的网络剪枝，逐步移除重要性较小的滤波器。该方法在基于小型SqueezeNet（124万参数）和流行的MobileNetv2（350万参数）以及ResNet50（2350万参数）三个网络上进行测试。这些网络选取是为了在具有不同复杂度和规模的CNN上展示该方法。我们观察到，仅需轻微性能损失即可删除大比例的滤波器。此外，观察到具有最多输出通道数的滤波器倾向于首先被删除，这表明流行CNN中的高维空间存在过度维度化。