MixFaceNets：极高效率人脸识别网络
计算机视觉与模式识别
2021-07-29 v1
摘要
本文提出一组极高效率、高吞吐量的精确人脸验证模型 MixFaceNets，其受混合深度可分离卷积核启发。在 Label Face in the Wild (LFW)、Age-DB、MegaFace 以及 IARPA Janus Benchmarks IJB-B 和 IJB-C 数据集上的大量实验评估表明了我们的 MixFaceNets 在需要极低计算复杂度的应用中的有效性。在相同计算复杂度水平（< 500M FLOPs）下，我们的 MixFaceNets 在所有评估数据集上均优于 MobileFaceNets，在 LFW 上达到 99.60% 准确率，在 AgeDB-30 上达到 97.05% 准确率，在 MegaFace 上达到 93.60 TAR（FAR1e-6 下），在 IJB-B 上达到 90.94 TAR（FAR1e-4 下），在 IJB-C 上达到 93.08 TAR（FAR1e-4 下）。在计算复杂度介于 500M 和 1G FLOPs 之间时，我们的 MixFaceNets 取得了与排名靠前模型相当的结果，同时使用了显著更少的 FLOPs 和计算开销，这证明了我们所提 MixFaceNets 的实用价值。所有训练代码、预训练模型和训练日志均已公开于 https://github.com/fdbtrs/mixfacenets。
引用
@article{arxiv.2107.13046,
title = {MixFaceNets: Extremely Efficient Face Recognition Networks},
author = {Fadi Boutros and Naser Damer and Meiling Fang and Florian Kirchbuchner and Arjan Kuijper},
journal= {arXiv preprint arXiv:2107.13046},
year = {2021}
}
备注
Accepted at International Join Conference on Biometrics (IJCB 2021)