Ef-QuantFace：小数据与低比特精度下的 streamlined 人脸识别
计算机视觉与模式识别
2024-02-29 v1
摘要
近年来，面向人脸识别的模型量化已备受关注。传统上，压缩模型涉及诸如 580 万图像的 MS1M 数据集等海量数据集以及漫长的训练时间，这引发了此类数据规模是否必要的疑问。本文通过引入一种效率驱动的方法解决了这一问题，该方法仅使用多达 14,000 张图像对模型进行微调，比 MS1M 小 440 倍。我们证明了使用较小的数据集即可实现有效的量化，提出了一种新范式。此外，我们结合了基于评估的度量损失，在 IJB-C 数据集上取得了 96.15% 的出色准确率，确立了人脸识别压缩模型训练的新最先进水平 (SOTA)。随后的分析深入探讨了潜在应用，强调了该方法的变革力量。本文通过强调小数据和短训练时间下的高效性与最优结果，推动了模型量化的发展。
引用
@article{arxiv.2402.18163,
title = {Ef-QuantFace: Streamlined Face Recognition with Small Data and Low-Bit Precision},
author = {William Gazali and Jocelyn Michelle Kho and Joshua Santoso and Williem},
journal= {arXiv preprint arXiv:2402.18163},
year = {2024}
}