摘要

在本文中，我们提出了一组极为高效且高吞吐量的模型，用于准确的人脸验证，即受混合深度卷积核（Mixed Depthwise Convolutional Kernels）启发的MixFaceNets。我们在Label Face in the Wild (LFW)、Age-DB、MegaFace以及IARPA Janus基准测试IJB-B和IJB-C数据集上进行了广泛的实验评估，结果表明我们的MixFaceNets在需要极低计算复杂度的应用中具有有效性。在相同的计算复杂度（< 500M FLOPs）下，我们的MixFaceNets在所有评估的数据集上均优于MobileFaceNets，分别在LFW上达到了99.60%的准确率，在AgeDB-30上达到了97.05%的准确率，在MegaFace上达到了93.60%的真接受率（TAR，误报率为1e-6），在IJB-B上达到了90.94%的真接受率（误报率为1e-4），在IJB-C上达到了93.08%的真接受率（误报率为1e-4）。当计算复杂度介于500M到1G FLOPs之间时，我们的MixFaceNets取得了与顶级模型相当的结果，同时显著减少了FLOPs和计算开销，这证明了我们提出的MixFaceNets的实际价值。所有训练代码、预训练模型和训练日志均已公开发布于https://github.com/fdbtrs/mixfacenets。