基于Ghostnet轻量级人脸识别算法研究

为了提高人脸识别在嵌入式设备中的识别精度和速度,提出一种基于Ghostnet轻量级人脸识别算法—Ghostfacenet.首先,通过预设卷积生成固定数目的内在特征;针对卷积运算计算消耗大的问题,使用计算成本低廉的线性操作代替卷积运算,产生一系列与内在特征相关联的特征信息;其次,基于Ghostnet中的Ghost模块以及深度可分离卷积设计出Ghostfacenet-Bottleneck,并且由其构建出Ghostfacenet轻量级卷积神经网络;最后,联合Softmax损失函数和Arcface损失函数进一步增加人脸类内紧凑性以及类间差异,同时使得轻量级模型有更好的收敛性以及泛化能力.实验结果表明,Ghostfacenet在嵌入式设备的识别速度分别是Resnet50、Efficientnet、MobilenetV2和Mobilefacenet的11.08倍、8.57倍、2.75倍和2.82倍.在不显著降低识别性能同时能够显著提高运行效率,非常适用于资源有限的嵌入式设备中.