QuantFace：面向轻量级人脸识别的合成数据低比特量化方法
计算机视觉与模式识别
2022-06-22 v1
摘要
基于深度学习的人脸识别模型遵循深度神经网络的普遍趋势，利用高计算成本的全精度浮点网络。在受计算需求限制的应用场景中部署此类网络通常不可行，因为全精度模型需要较大内存。以往的紧凑人脸识别方法提出设计特殊的紧凑架构并使用真实训练数据从头训练，但由于隐私问题，真实训练数据在现实场景中可能无法获取。我们在本工作中提出基于低比特精度格式模型量化的 QuantFace 方案。QuantFace 在不需设计特定架构或访问真实训练数据的情况下，降低现有人脸识别模型所需的计算成本。QuantFace 将隐私友好的合成人脸数据引入量化过程，以缓解潜在的隐私担忧以及与真实训练数据可获取性相关的问题。通过在七个基准和四种网络架构上的大量评估实验，我们证明 QuantFace 能在不访问真实训练数据集的情况下，将模型大小最多缩减 5 倍，同时在很大程度上保持全精度模型的验证性能。
引用
@article{arxiv.2206.10526,
title = {QuantFace: Towards Lightweight Face Recognition by Synthetic Data Low-bit Quantization},
author = {Fadi Boutros and Naser Damer and Arjan Kuijper},
journal= {arXiv preprint arXiv:2206.10526},
year = {2022}
}
备注
Accepted ICPR 2022