面向浮点运算量受限的人脸识别
计算机视觉与模式识别
2019-09-04 v1
摘要
大规模人脸识别具有挑战性,尤其在计算预算受限时。给定 \textit{flops} 上限,关键在于找到最优的神经网络架构与优化方法。本文简要介绍 'trojans' 团队在 ICCV19 - 轻量级人脸识别挑战赛~\cite{lfr} 中的解决方案。该挑战要求每次提交为单一模型且计算预算不高于 30 GFlops。我们引入了基于 Flops 约束搜索出的网络架构 `Efficient PolyFace'、一种新损失函数 `ArcNegFace'、一种新帧聚合方法 `QAN++',以及实现中的一系列实用技巧(数据增强、正则人脸、标签平滑、锚点微调等)。我们的基础模型 `Efficient PolyFace' 在 `deepglint-large' 基于图像的赛道上耗费 28.25 Gflops,而 `PolyFace+QAN++' 方案在 `iQiyi-large' 基于视频的赛道上耗费 24.12 Gflops。这两种方案在两个赛道上分别取得了 94.198\% @ 1e-8 和 72.981\% @ 1e-4 的准确率,均为当前最优结果。
引用
@article{arxiv.1909.00632,
title = {Towards Flops-constrained Face Recognition},
author = {Yu Liu and Guanglu Song and Manyuan Zhang and Jihao Liu and Yucong Zhou and Junjie Yan},
journal= {arXiv preprint arXiv:1909.00632},
year = {2019}
}
备注
ICCV2019 LFR workshop