融合Transformer和CNN的轻量级人脸识别算法

随着深度学习的发展,卷积神经网络通过堆叠卷积层逐步扩大感受野以融合局部特征的方式已经成为人脸识别(FR)的主流方法,但这种方法存在因忽略人脸全局语义信息和缺乏对人脸重点特征信息的关注造成识别准确率不高,以及大参数量层数的堆叠导致网络难以部署于资源受限设备的问题。因此提出一种融合Transformer和CNN的极其轻量级FR算法gcsamTfaceNet。使用深度可分离卷积构建主干网络以降低算法的参数量;引入通道-空间注意力机制,从通道和空间两个域最优化选择特征以提高对人脸重点区域的关注度;在此基础上,融合Transformer模块以捕获特征图的全局语义信息,克服卷积神经网络在长距离语义依赖性建模方面的局限性,提高算法的全局特征感知能力。参数量仅为6.5×10^(5)的gcsamTfaceNet在9个验证集(LFW、CA-LFW、CP-LFW、CFP-FP、CFP-FF、AgeDB-30、VGG2-FP、IJB-B以及IJB-C)上实验评估,分别取得99.67%、95.60%、89.32%、93.67%、99.65%、96.35%、93.36%、89.43%和91.38%的平均准确率,达到参数量和性能之间较好的权衡。

基于特征加权融合的轻量级人脸识别方法

针对复杂自然场景中人脸识别的难题,提出一种基于特征加权融合的轻量级人脸识别方法,通过对MobileFaceNet进行改进,实现自然场景下的实时人脸识别。SEMobileFaceNet对原MobileFaceNet的BottleBlock模块及边缘损失ArcFace进行了优化,在BottleBlock模块中加入了SE,利用通道注意力机制对不同通道的特征进行加权融合,提高对关键特征的利用。对边缘损失ArcFace的改进在于将角度裕量改为动态调整,根据梯度值的大小忽略或裁剪部分梯度。改进后的SEMobileFaceNet在自然场景人脸识别中准确率和召回率更高,泛化能力更好,能够有效完成复杂环境中的人脸识别。

基于CPU实现的轻量级人脸识别算法在智能视频分析平台中的应用与研究

当前,电力施工现场广泛应用的智能视频监控平台仅能检测到所发生的违章行为,无法确定具体的违章人员身份,因此无法引起现场作业人员的重视,难以发挥有效作用。通过人脸识别技术实现施工现场的违章人员身份识别是十分必要的。本文基于深度学习算法,开发了一套基于CPU进行人脸检测、识别和快速匹配算法的轻量化SDK,并将其集成到智能视频管控平台中,摆脱了人脸识别匹配对GPU显卡、特定人脸识别摄像头等硬件设备的依赖,实现了施工现场的违章检测预警、人员身份识别、安全规范教育的管理闭环,在提升管理效率的同时降低了施工现场管理成本。