DupNet：面向人脸检测的高精度极微小量化CNN
计算机视觉与模式识别
2019-11-14 v1
摘要
由于计算资源有限，在边缘设备上部署基于深度学习的人脸检测器是一项具有挑战性的任务。尽管将极微小网络的权重二值化可在模型尺寸上实现令人印象深刻的紧凑性（例如IFQ-Tinier-YOLO为240.9 KB），但其仍不足以小到能放入具有严格内存限制的嵌入式设备中。在本文中，我们提出由两部分组成的DupNet。首先，我们对权重密集型层采用具有重复通道的权重以减小模型尺寸。其次，对于量化敏感层（其量化导致明显精度下降），我们复制其输入特征图。这使我们能使用更多权重通道来卷积更具代表性的输出。基于此，我们提出一种极微小人脸检测器DupNet-Tinier-YOLO，其模型尺寸减小6.5倍、计算复杂度降低42.0%，同时检测精度比IFQ-Tinier-YOLO高2.4%。与全精度Tiny-YOLO相比，我们的DupNet-Tinier-YOLO在模型尺寸和计算复杂度上分别节省1,694.2倍和389.9倍，而检测率仅下降4.0%（0.880对0.920）。此外，我们的DupNet-Tinier-YOLO仅有36.9 KB，据我们所知是最小的深度人脸检测器。
引用
@article{arxiv.1911.05341,
title = {DupNet: Towards Very Tiny Quantized CNN with Improved Accuracy for Face Detection},
author = {Hongxing Gao and Wei Tao and Dongchao Wen and Junjie Liu and Tse-Wei Chen and Kinya Osa and Masami Kato},
journal= {arXiv preprint arXiv:1911.05341},
year = {2019}
}