基于选择性知识蒸馏的野外低分辨率人脸识别
计算机视觉与模式识别
2019-03-14 v2
摘要
通常，人脸识别模型在野外部署时需要以极低的计算成本识别低分辨率人脸。为解决该问题，一种可行的方案是压缩复杂人脸模型，以最小性能下降为代价实现更高速度和更低内存。受此启发，本文提出一种通过选择性知识蒸馏识别低分辨率人脸的学习方法。在该方法中，首先初始化一个双流卷积神经网络（CNN），分别以教师流和学生流识别高分辨率人脸和分辨率退化人脸。教师流由复杂 CNN 表示以实现高精度识别，学生流由极简 CNN 表示以实现低复杂度识别。为避免学生流出现显著性能下降，我们通过求解稀疏图优化问题，从教师流中选择性蒸馏最具信息量的面部特征，并将其用于正则化学生流的微调过程。以此方式，学生流实际上在有限计算资源下同时处理两项任务：通过特征回归逼近最具信息量的面部线索，以及通过低分辨率人脸分类恢复缺失的面部线索。实验结果表明，学生流在识别低分辨率人脸方面表现优异，且仅占用 0.15MB 内存，在 CPU 上每秒处理 418 张人脸，在 GPU 上每秒处理 9,433 张人脸。
引用
@article{arxiv.1811.09998,
title = {Low-resolution Face Recognition in the Wild via Selective Knowledge Distillation},
author = {Shiming Ge and Shengwei Zhao and Chenyu Li and Jia Li},
journal= {arXiv preprint arXiv:1811.09998},
year = {2019}
}