用于快速活体检测的训练后自适应MobileNet
计算机视觉与模式识别
2022-08-10 v2 密码学与安全
机器学习
摘要
许多应用要求神经网络具有高准确率，同时具备低延迟与用户数据隐私保障。人脸活体检测便是此类任务之一。然而，单一模型对于不同设备性能层级未必能给出最佳结果，而训练多个模型则耗时良多。本文中，我们提出训练后自适应（PTA）模块。该模块结构简洁，可作为MobileNetV2倒残差模块的即插即用替代。PTA模块具有多个计算代价不同的分支。待执行的分支可按需在运行时选择，从而针对多种设备层级提供不同的推理时间与可配置能力。关键在于，模型仅训练一次，且可在训练后轻松重新配置，甚至直接在移动设备上完成。此外，所提方法在CelebA-Spoof数据集上的测试表明，其整体性能明显优于原始MobileNetV2。训练时对不同PTA模块配置进行采样，也降低了训练模型所需的总体挂钟时间。尽管我们给出的是针对活体检测问题的计算结果，带有PTA模块的MobileNetV2适用于任何可用卷积神经网络解决的问题，这使得所呈现的结果具有实际意义。
引用
@article{arxiv.2207.13410,
title = {Post-Train Adaptive MobileNet for Fast Anti-Spoofing},
author = {Kostiantyn Khabarlak},
journal= {arXiv preprint arXiv:2207.13410},
year = {2022}
}