基于MobileFaceNet网络改进的人脸识别方法

摘要：

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题,提出了一种基于MobileFaceNet网络改进的人脸识别方法.首先,使用MobileFaceNet网络提取人脸特征,在提取特征的过程中,通过引入可分离卷积减少模型中卷积层参数的数量;其次,通过在Mo-bileFaceNet网络中引入风格注意力机制来增强特征的表达,同时使用AdaCos人脸损失函数来训练模型,利用AdaCos损失函数中的自适应缩放系数,来动态地调整超参数,避免了人为设置超参数对模型的影响;最后,分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估.实验结果显示:改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25％、0.16％和0.3％,表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高.

关键词：人脸识别、深度学习、MobileFaceNet、AdaCos、卷积神经网络

所属期刊栏目：46

分类号：O235;TP183(控制论、信息论（数学理论）)

资助基金：公安部技术研究计划项目;中央高校基本科研业务费专项

在线出版日期：2020-09-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1756-1762