MobileFaceNets: Efficient CNNs for mobile face verification

摘要

我们提出了一种高度优化的CNN模型MobileFaceNets，该模型参数数量少于100万，专为移动设备和嵌入式系统中实现高精度的人脸验证任务而设计。首先，我们对常规移动网络在人脸验证任务中存在的不足之处进行了简要探讨。随后，我们开发的移动端设备已有效解决了这些问题。在相同的测试环境下，MobileFaceNets不仅表现出更高的识别准确率，其运行速度也比MobileNetV2提升了两倍以上。通过ArcFace loss函数在MS-Celebe-1M数据集上进行精细训练后，我们的4.0MB大小的MobileFaceNet模型在LFW数据集上达到了99.55%的识别准确率，在MegaFace数据集上实现了TAR@FAR1e-6为92.59%的表现，这一性能水平甚至可与体积达数百MB的当前最先进CNN模型相媲美。其中性能最优的MobileFaceNets版本在移动端的实际推理时间仅为18毫秒。相较于以往最先进的移动端神经网络架构，在人脸识别验证任务中，该模型展现出更为突出的运算效率优势。

1 引言

人脸验证作为一项关键的身份识别技术，正日益广泛地被应用于设备解锁、应用登录以及移动支付等移动及嵌入式系统中。部分集成该技术的移动应用程序，如智能手机的解锁功能，需在离线状态下运行。为确保在计算资源受限的情况下仍能保持良好的用户体验，部署于移动端的人脸验证模型不