基于残差量化卷积神经网络的人脸识别方法
针对大规模人脸识别问题,基于残差学习的超深卷积神经网络模型能取得比其他方法更高的识别精度,然而模型中存在的海量浮点参数需要占用大量的计算和存储资源,无法满足资源受限的场合需求.针对这一问题,本文设计了一种基于网络参数量化的超深残差网络模型.具体在Face-ResNet模型的基础上,增加了批归一化层和dropout层,加深了网络层次,对网络模型参数进行了二值量化,在模型识别精度损失极小的情况下,大幅压缩了模型大小并提升了计算效率.通过理论分析与实验验证了本文设计方法的有效性.
人脸识别、残差学习、量化卷积神经网络
27
国家重点研发计划2017YFC0803700;上海市科委项目17511101702;临港地区智能制造产业专项#ZN2016020103;复旦大学工程与应用技术研究院先导项目gyy2017-003
2018-12-05(万方平台首次上网日期,不代表论文的发表时间)
共7页
35-41