面向深度人脸识别的神经架构搜索
计算机视觉与模式识别
2019-04-29 v2
摘要
随着电子设备的广泛普及，相较于传统的密码与图案解锁，生物特征技术的出现为用户认证带来了显著的便利。在众多生物特征中，人脸是一种普遍且不可替代的特征，它不需要过多配合，同时能显著提升用户体验。人脸识别是电子设备宣传的主要功能之一，因此在计算机视觉领域极具研究价值。该领域以往的工作集中在两个方向：在传统深度卷积神经网络（Resnet）中改进损失函数以提升识别精度；将最新损失函数与轻量级系统（MobileNet）结合，以最小的精度损失缩减网络规模。但这些都未改变网络结构。随着AutoML的发展，神经架构搜索（NAS）在图像分类基准上展现出优异性能。本文中，我们将NAS技术引入人脸识别以定制更合适的网络。我们采用交替训练子网络与控制器网络的NAS框架，同时通过将对评估延迟的考量纳入强化学习奖励来改进NAS，并利用策略梯度算法以最经典的交叉熵损失自动搜索架构。我们搜索出的网络架构在大规模人脸数据集上取得了最先进的精度，在MS-Celeb-1M上达到98.77%的top-1，在LFW上达到99.89%，且网络规模相对较小。据我们所知，本工作是首个使用NAS解决深度人脸识别问题并在该领域取得最佳结果的尝试。
引用
@article{arxiv.1904.09523,
title = {Neural Architecture Search for Deep Face Recognition},
author = {Ning Zhu},
journal= {arXiv preprint arXiv:1904.09523},
year = {2019}
}