超轻量人脸关键点检测算法
随着深度学习网络研究的深入和网络模型精度的提高,网络层数及深度在逐渐增加,导致计算量增大.同时,基于深度学习模型人脸关键点检测在嵌入式设备上部署的需求,轻量化、高效和准确的网络模型成为研究关键.因此,本文设计了一个基于 Ghost Model块和 Ghost Bottleneck架构的超轻量型人脸关键点检测算法,在确保网络精度的同时,尽可能减小网络模型大小,降低计算量.在网络宽度因子为 1X 的情况下,与现有表现最好的轻量化网络模型PFLD 1X相比,归一化平均误差降低了 7%,参数量减小了 36%;在宽度因子为 0.25X的情况下,本论文提出的网络模型大小仅 420 KB,归一化平均误差降低了 6.6%,参数量减小了 25%.
超轻量化、深度学习、人脸关键点
46
TP391(计算技术、计算机技术)
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共7页
98-104