SeesawFaceNets：面向移动平台的稀疏且鲁棒的人脸验证模型

深度卷积神经网络（DCNNs）已成为大多数计算机视觉相关任务中最广泛使用的解决方案，其中最重要的应用场景之一是人脸验证。由于其高精度性能，推理阶段通过互联网在云平台进行的深度人脸验证模型在大多数实际场景中起着关键作用。然而，存在两个关键问题：首先，个人隐私可能无法得到良好保护，因为用户不得不将个人照片及其他隐私信息上传至在线云后端。其次，无论是训练还是推理阶段都很耗时，延迟可能影响用户体验，尤其是在移动链路速度不稳定或移动信号较差的偏远地区，以及建筑物和其他施工可能阻挡移动信号的城区。因此，设计具有低内存需求和计算成本的轻量级网络是移动平台人脸验证最实用的解决方案之一。本文提出一种名为 SeesawFaceNets 的新型移动网络，这是一个简单而有效的模型，用于在产品层面为移动设备部署人脸识别。大量实验结果表明，我们提出的 SeesawFaceNets 模型以仅{\bf66\%}（146M 对比 221M MAdds）的计算成本、更小的批大小以及更少的训练步数优于基线 MobilefaceNets，并且 SeesawFaceNets 仅以 {\bf54.2\%}（1.3M 对比 2.4M）的参数量和 {\bf31.6\%}（146M 对比 462M MAdds）的计算成本取得了与其他 SOTA 模型（如 mobiface）相当的性能；在所有 5 个公开的验证数据集上，它最终也与大规模深度网络人脸识别具有竞争力，仅使用 {\bf6.5\%}（4.2M 对比 65M）的参数量和 {\bf4.35\%}（526M 对比 12G MAdds）的计算成本。