面向移动设备的人脸识别知识蒸馏技术实践

人脸识别作为一种重要的人机交互入口,被广泛地应用于安防监控、智能支付、社交媒体等行业。为了获得较高的人脸识别精度,通常采用结构复杂且参数量较多的神经网络,导致在计算资源受限的移动设备或嵌入式硬件上难以使用。针对移动设备人脸识别模型小型化需求,介绍和分析神经网络知识蒸馏技术及其在提升模型效率和保持精度上的实践。     

由粗到精的三维人脸稀疏重建方法

针对传统三维人脸重建算法精度不高的问题,提出一种由粗到精的三维人脸稀疏重建方法。根据稀疏形变模型方法对待重建人脸的部分区域显著点进行重建,得到第1步重建结果,并在此基础上进行后续重建。将第1步的重建结果作为新的参考模型,求取待重建人脸与参考模型的特征点的坐标投影距离,从而求取参考模型的形变因子,完成最终三维人脸的重建。由于两步稀疏重建的作用不同,对重建过程中参数的选取也采用不同方式。实验结果表明,该方法能有效提高人脸重建精度,同时保持较快的重建速度。     

基于压缩感知理论的3维人脸快速重建

形变模型是当前人脸重建研究中的一种主要方法。针对形变模型方法中模型构建的缺陷,提出一种基于压缩感知理论的快速三维人脸重建方法。首先,利用压缩感知理论估计三维原型人脸与目标人脸的形状相似性,根据相似性对原型样本进行筛选并构建相应的形变模型,提高建模精度和效率;然后,利用特征点信息进行稀疏模型匹配,并结合径向基函数插值重建生成特定的三维人脸,提高重建表面的平滑性。在BJUT三维数据库和CAS_PEAL二维数据库上的实验结果表明,与经典方法相比,本文方法能够有效地提高重建精度和速度,重建人脸具有较强真实感。