摘要

在边缘设备上部署基于深度学习的人脸检测模型是一项极具挑战性的任务，主要受限于设备的计算资源。尽管对极小网络的权重进行二值化处理可显著减小模型体积（例如，IFQ-Tinier-YOLO的模型大小仅为240.9 KB），但该尺寸仍不足以满足内存严格受限的嵌入式设备的需求。为此，本文提出了一种名为DupNet的新架构，其包含两个核心部分：首先，针对权重密集型层，采用通道复制（duplicated channels）的权重设计，以进一步压缩模型规模；其次，针对对量化敏感、量化后导致显著精度下降的层，我们复制其输入特征图（feature maps），从而允许使用更多权重通道进行卷积操作，以生成更具代表性的输出。基于上述设计，我们构建了一个极小的人脸检测模型——DupNet-Tinier-YOLO，其模型尺寸比IFQ-Tinier-YOLO缩小了6.5倍，计算复杂度降低42.0%，同时检测精度提升2.4%。与全精度Tiny-YOLO相比，DupNet-Tinier-YOLO在模型尺寸上实现了1,694.2倍、计算复杂度上实现389.9倍的显著压缩，仅带来4.0%的检测率下降（0.880 vs. 0.920）。此外，我们的模型大小仅为36.9 KB，据我们所知，这是目前已知最小的深度学习人脸检测模型。