基于深度LDA剪枝网络的高效性别分类
计算机视觉与模式识别
2021-02-23 v3
摘要
许多实时任务，如人机交互，需要快速高效的面部性别分类。尽管深度CNN网络对大量分类任务非常有效，但其高昂的空间和时间需求使其在无强大GPU的个人计算机和移动设备上不实用。本文开发了一个16层却轻量级的神经网络，在保持高精度的同时提升效率。我们的网络从VGG-16模型剪枝而来，始于最后一个卷积（conv）层，我们发现给定性别条件下神经元激活高度不相关。通过费希尔线性判别分析（LDA），我们表明这种高度去相关使得直接丢弃具有高类内方差和低类间方差的末卷积层神经元是安全的。结合支持向量机（SVM）或贝叶斯分类，精简后的CNN在LFW和CelebA数据集上能够达到与带全连接层的原始网络相当（甚至更高）的精度。在LFW上，仅四个Conv5_3神经元就能维持相当高的识别精度，这使总网络规模减小70倍，速度提升11倍。还提供了与一种最先进剪枝方法以及两个更小网络在精度损失和卷积层剪枝率方面的比较。
引用
@article{arxiv.1704.06305,
title = {Efficient Gender Classification Using a Deep LDA-Pruned Net},
author = {Qing Tian and Tal Arbel and James J. Clark},
journal= {arXiv preprint arXiv:1704.06305},
year = {2021}
}
备注
The only difference with the previous version v2 is the title on the arxiv page. I am changing it back to the original title in v1 because otherwise google scholar cannot track the citations to this arxiv paper correctly. You could cite either the conference version or this arxiv version. They are equivalent