MobileFaceNets

MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices

背景介绍

偏工程性论文，分析了现有轻量级网络应用于人脸识别的不足，并使用Global Depthwise Convolution改进。

论文要点

• Global Depthwise Convolution

• 人脸识别最后需生成特征向量，一般由全连接或平均池化生成。
• 全连接全产生大量的参数，会导致模型增大，不便于嵌入端的部署。
• 平均池化没有考虑位置信息，所有位置的特征都一样。
• 基于人脸的直观感受，最后一层特征图每个像素对应人脸区域其重要性有所差异，因而使用加权平均更合理，使用Global Depthwise Convolution可以实现加权的效果。
  [图片上传失败...(image-b946b-1543585944328)]

• 网络结构

• 采用类似MobileNetV2的网络结构
• residual bottlenecks (MobileNetV2)
• expansion factors for bottlenecks are much smaller than MobileNetV2
• 使用PReLU激活层
• fast downsampling

• 在Global Depthwise Conv层后添加1x1的线性变换层

  
  MobileFaceNet-2

结果分析

• 删除GDConv后线性变换层后，准确率有所下降，但部署时间没有减少，因而实际应用可以保留线性变换层。
• 将PReLU换成ReLU后，其实际的部署时间少1ms，准确率有所下降，在推理框架支持PReLU的情况下，可以考虑优先使用PReLU。
• expansion factor 变大后，准确率没用提升反而下降，说明在此网络结构下，并不是filter越多，效果越好。

• MobileNetV2使用GDConv相比于不使用GDConv准确率提升明显，说明GDConv有作用，是不是GDConv对所有具有Global Average Pooling的网络结构都作用呢？

  
  MobileFaceNet-3

问题思考

• 训练方法

• 为什么要将GDConv后卷积层的weight decay设置得比之前的小？
• 以MobileNetV1/MobileNetV2/ShuffleNet作对比实验时，为什么要从头训练，而不使用imagenet的预训练模型，是为了保证所有模型从头训练的同一条件。
• 文中提MobileNetV1如果第一层卷积层stride=2时，其准确率较差，但并没有分析原因，个人觉得如果第一层卷积层stride=2，会导致中间主要提取特征的分辨率较小，不利于提取更丰富的特征，设计轻量级网络时，既要使用fast downsampling的策略，也要保证中间层时的分辨率不宜过小。

• 测试结果

• 没有对比MobileFaceNet使用GDConv和不使用GDConv的差异，因而无法评估整体准确率的提升是由于前面的网络结构设计，还是最后使用了GDConv带来的准确率提升。

• Global Depthwise Convolution

• 其想法与Face R-FCN提到position-sensitive average pooling是一致的