移动端/嵌入式-CV模型-2018：MobileFaceNets

《原始论文：MobileFaceNets: Efficient CNNs for Accurate Real-Time Face Verification on Mobile Devices》

随着技术的发展，人脸识别算法在嵌入式终端上的应用越来越广泛，但由于终端设备的算力和存储资源限制，对人脸检测和识别模型的要求倾向于轻量级+高精度。轻量级模型相对于又深又宽的大模型，具有参数量小、乘加数少的特点，但同时在预测精度上不能有太大的损失。

近年来，MobilenetV1，ShuffleNet和MobileNetV2等轻量级网络多用于移动终端的视觉识别任务，但是由于人脸结构的特殊性，这些网络在人脸识别任务上并没有获得满意的效果。针对这一问题，北京交通大学的Sheng Chen等人在论文《MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices》提出了一种专门针对人脸识别的轻量级网络MobileFaceNet。

如下图所示，在使用MobileNetV2等网络进行人脸识别时，平均池化层对FMap-end的Corner Unit和Center Unit给予了同样的权重，但实际上，对于人脸识别来说，中心单元的重要程度显然比角单元重要。因此，需要对网络进行有针对性的优化。论文中，最重要的一个优化就是使用Global Depthwise Convolution (GDConv，全局逐深度卷积层)代替Global Average Pooling (GAP，全局平均池化层)，因为GDConv的weights即相当于实现不同位置的重要性权重系数。

参考资料：
MobileFaceNet模型分析