SqueezerFaceNet:通过滤波器剪枝进一步压缩小型人脸识别CNN
计算机视觉与模式识别
2023-07-21 v1
摘要
移动设备在各种数字服务中的广泛使用催生了对可靠且实时个人认证的需求。在此背景下,由于移动设备中摄像头的普及及其在日常应用中的集成,人脸识别技术已成为验证用户的可靠方法。深度卷积神经网络(CNN)的快速发展带来了众多人脸验证架构。然而,这些模型通常庞大且不实用于移动应用,其大小可达数百兆字节、含数百万参数。我们通过开发SqueezerFaceNet解决此问题,这是一个参数少于1M的轻量人脸识别网络。这是通过应用基于Taylor分数的网络剪枝方法实现的,其中重要性分数小的滤波器被迭代移除。从一个已很小的网络(1.24M)即SqueezeNet出发,我们展示其可进一步缩减(至多40%)而无明显性能损失。据我们所知,我们首个评估了用于人脸识别任务的网络剪枝方法。
引用
@article{arxiv.2307.10697,
title = {SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning},
author = {Fernando Alonso-Fernandez and Kevin Hernandez-Diaz and Jose Maria Buades Rubio and Josef Bigun},
journal= {arXiv preprint arXiv:2307.10697},
year = {2023}
}
备注
Published at VIII International Workshop on Artificial Intelligence and Pattern Recognition, IWAIPR 2023