摘要

深度卷积神经网络（DCNNs）已成为大多数计算机视觉相关任务中最广泛使用的解决方案，其中一个最重要的应用场景是面部验证。由于其高精度性能，通过互联网在云端平台进行推理的深度面部验证模型在大多数实际场景中发挥着关键作用。然而，存在两个关键问题：首先，个人隐私可能无法得到充分保护，因为用户必须上传个人照片和其他私密信息到在线云后端；其次，无论是训练阶段还是推理阶段都耗时较长，延迟可能会影响用户体验，特别是在互联网连接速度不稳定或移动信号不佳的偏远地区，以及城市中建筑物和其他结构可能会阻挡移动信号的情况下。因此，设计具有低内存需求和计算成本的轻量级网络是移动平台面部验证最实用的解决方案之一。本文提出了一种名为SeesawFaceNets的新颖移动网络模型，该模型简单而有效，旨在高效地部署移动设备上的面部识别。大量实验结果表明，所提出的SeesawFaceNets模型在计算成本仅为基线MobilefaceNets模型的66%（146M对比221M MAdds）、更小的批量大小和更少的训练步骤下表现优于后者，并且SeesawFaceNets仅用54.2%（1.3M对比2.4M）的参数和31.6%（146M对比462M MAdds）的计算成本就能达到与其他最先进模型如Mobiface相当的性能。此外，在所有5个公开验证数据集上，SeesawFaceNets最终在参数量为6.5%（4.2M对比65M）和计算成本为4.35%（526M对比12G MAdds）的情况下与大规模深度网络面部识别具有竞争力。