[發明專利]基于深度可分離卷積的人臉活體識別模型壓縮和移植方法

有效

• 申請號: 202011435882.6
• 申請日: 2020-12-10
• 公開（公告）號: CN112861602B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 謝巍;周延;陳定權;許練濠
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V40/40;G06V10/774;G06V10/82;G06N3/0464
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

本發明涉及一種基于深度可分離卷積的人臉活體識別模型壓縮和移植方法，包括如下步驟：S1、通過數據增強的方式獲得一個訓練數據集；S2、利用改進的卷積神經網絡對圖像進行訓練，并保存訓練后得到的卷積神經網絡模型；S3、基于深度可分離卷積對模型進行壓縮，削減模型大小，使得模型參數削減為原始模型的20％左右，使得其尺寸更適合于移動端。S4、通過對模型權重進行半精度Float16量化進一步地壓縮模型，加快模型推理速度，使得模型大小壓縮為S3步驟的50％，移動端識別速度縮短為400ms，完成模型在移動端軟件的移植。本發明基于深度可分離卷積對模型進行壓縮且Float16半精度量化。

技術領域

本發明涉及計算機視覺、深度卷積神經網絡以及模型壓縮領域，具體涉及基?于深度可分離卷積的人臉活體識別模型壓縮和移植方法。

背景技術

隨著圖像處理技術、計算機視覺算法等的日益成熟，人臉識別技術得到蓬勃?的發展，而其中人臉防偽技術也是一個重要的研究課題?；铙w檢測是在一些身?份驗證場景確定對象真實生理特征的方法，在人臉識別應用中，活體檢測能通?過眨眼、張嘴、搖頭、點頭等組合動作，使用人臉關鍵點定位和人臉追蹤等技?術，驗證用戶是否為真實活體本人操作。可有效抵御照片、換臉、面具、遮擋?以及屏幕翻拍等常見的攻擊手段，從而幫助用戶甄別欺詐行為，保障用戶的利?益。

深度神經網絡在計算機視覺,語音識別等領域取得了巨大成功.然而,目前的深度神經網絡模型需要消耗大量的計算資源和存儲空間,限制了在移動終端和車載設?備等低存儲,低延遲需求環境下的應用。近年來深度神經網絡在目標識別,圖像分?類等領域取得了重大突破,然而訓練和測試這些大型深度神經網絡存在幾點限?制:1)訓練和測試這些深度神經網絡需要進行大量的計算(訓練和測試將消耗大?量的時間),需要高性能的計算設備(例如GPU)來加快訓練和測試速度；2)深度神?經網絡模型通常包含大量的參數,需要大容量的高速內存來存儲模型.上述限制?阻礙了神經網絡等技術的廣泛應用,現階段神經網絡的訓練和測試通常是在高性?能服務器或者集群下面運行,在一些對實時性要求較高的移動設備如手機上的應?用受到限制。針對模型大小和實時性要求，近年來國內外學者研究出許多模型?壓縮算法。文獻(Luo?J,Wu?J.An?entropy-based?pruning?method?for?CNNcompression[J].arXiv:1706.05791,2017)提出了一種基于熵的方法來評價濾波器?的重要性，裁掉不重要的濾波器權重，得到了一個更小的網絡模型；文獻(He?Y,?Liu?P,Wang?Z,et?al.Filter?pruning?via?geometric?median?for?deep?convolutional?neuralnetworks?acceleration[C]//Proceedings?of?the?2019?IEEE?Conference?on?ComputerVision?and?Pattern?Recognition,Long?Beach,Jun?16-20,2019.Washington:?IEEEComputer?Society,2019:4340-4349.)基于隨機裁剪的方法對模型進行壓縮；?文獻(Li?X,Long?R,Yan?J,et?al.TANet:a?tiny?plankton?classification?network?for?mobiledevices[J].Mobile?Information?Systems,2019(4):1-8.)設計了一種基于注意?力機制的輕量級卷積神經網絡；一種NASNet體系結構的方法，利用搜索方法?在感興趣的數據集中找到良好的卷積體系結構；基于離散空間的搜索算法存在計?算量大的問題，文獻(Liu?H,Simonyan?K,Yang?Y.Darts:differentiable?architecture?search[J].arXiv:1806.09055,2018.)提出了一種稱為可微結構搜索的算法，將搜?索空間轉化為連續的領域；文獻(He?Y?H，Zhang?X?Y,Sun?J.Channel?pruning?for?accelerating?very?deepneural?networks[C]//Proceedings?of?the?2017?IEEE?International?Conference?onComputer?Vision,Venice,Oct?22-29,2017.Washington:?IEEE?Computer?Society,2017:1389-1397.)通過基于LASS回歸的通道選擇方法?和利用最小二乘重構進行有效的網絡通道剪枝。