論文の概要: SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning

• arxiv url: http://arxiv.org/abs/2307.10697v1
• Date: Thu, 20 Jul 2023 08:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 14:00:36.920769
• Title: SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning
• Title（参考訳）: SqueezerFaceNet:小さな顔認識CNNを減らし、フィルタの処理をさらに強化
• Authors: Fernando Alonso-Fernandez, Kevin Hernandez-Diaz, Jose Maria Buades Rubio, Josef Bigun
• Abstract要約: 我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。 性能を損なうことなく、さらに(最大40%)削減できることを示す。
• 参考スコア（独自算出の注目度）: 55.84746218227712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread use of mobile devices for various digital services has created a need for reliable and real-time person authentication. In this context, facial recognition technologies have emerged as a dependable method for verifying users due to the prevalence of cameras in mobile devices and their integration into everyday applications. The rapid advancement of deep Convolutional Neural Networks (CNNs) has led to numerous face verification architectures. However, these models are often large and impractical for mobile applications, reaching sizes of hundreds of megabytes with millions of parameters. We address this issue by developing SqueezerFaceNet, a light face recognition network which less than 1M parameters. This is achieved by applying a network pruning method based on Taylor scores, where filters with small importance scores are removed iteratively. Starting from an already small network (of 1.24M) based on SqueezeNet, we show that it can be further reduced (up to 40%) without an appreciable loss in performance. To the best of our knowledge, we are the first to evaluate network pruning methods for the task of face recognition.
• Abstract（参考訳）: 様々なデジタルサービスでモバイルデバイスが広く使われるようになると、信頼性とリアルタイムの人物認証の必要性が高まった。 このような状況下では、モバイルデバイスにおけるカメラの普及と日常アプリケーションへの統合により、顔認識技術がユーザ認証の信頼性の高い方法として出現している。 深層畳み込みニューラルネットワーク(cnns)の急速な進歩は、多数の顔認証アーキテクチャを生み出した。 しかし、これらのモデルはモバイルアプリケーションには大きめで実用的ではないことが多く、数百万のパラメータを持つ数百メガバイトに達する。 我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発し,この問題に対処する。 これはtaylorスコアに基づくネットワークプルーニング手法を適用し、重要度の低いフィルタを反復的に除去することで実現される。 squeezenetをベースとする既に小さなネットワーク(約1.24m)から始めると、パフォーマンスが低下することなく、さらに(最大40%まで)削減できることが分かる。 我々の知識を最大限に活用するために、私たちは初めて顔認識タスクのためのネットワークプルーニング手法を評価する。

関連論文リスト

• Deep Network Pruning: A Comparative Study on CNNs in Face Recognition [47.114282145442616]
  顔認識に応用したディープネットワーク圧縮法について検討する。 この方法は、SqueezeNet(1.24Mパラメータ)と人気のあるMobileNetv2(3.5M)とResNet50(23.5M)の3つのネットワーク上でテストされる。 フィルタのかなりの割合は、性能損失を最小限に抑えて取り除くことができる。
  論文  参考訳（メタデータ） (2024-05-28T15:57:58Z)
• Median Pixel Difference Convolutional Network for Robust Face Recognition [8.636370632339785]
  畳み込みニューラルネットワーク(CNN)に基づく既存の顔認識アルゴリズムは、ノイズに弱い。 ノイズ劣化した画像パターンは、偽のアクティベーションを引き起こし、ノイズのある状況下での顔認識精度を著しく低下させる。 本稿では,CNNに異なるレベルのノイズに頑健性を持たせるために,MeDiNet(Men Pixel Different Convolutional Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-30T13:15:49Z)
• Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
  スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。 ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。 一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
  論文  参考訳（メタデータ） (2021-03-31T01:48:29Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。 私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。 我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
  論文  参考訳（メタデータ） (2020-09-15T09:25:37Z)
• An Improved Person Re-identification Method by light-weight convolutional neural network [0.0]
  人物の再識別は、低解像度、様々なポーズ、照明、背景のぼやけ、オクルージョンといった課題に直面している。 本稿では,トランスファーラーニングと検証損失関数の適用により,人物の再識別を改善することを目的とする。 実験により,提案モデルはCUHK01データセットの最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-08-21T12:34:15Z)
• SqueezeFacePoseNet: Lightweight Face Verification Across Different Poses for Mobile Platforms [55.84746218227712]
  顔認識技術は、モバイルデバイスでカメラが利用できることを考えると、信頼性が高く堅牢なユーザー認証を提供することができる。 ディープ畳み込みニューラルネットワークは、多くの正確な顔認証アーキテクチャをもたらすが、その典型的なサイズ(数百メガバイト)は、ダウンロード可能なモバイルアプリケーションに組み込むことができない。 我々は,より大規模なモデルと比較して,十分な精度で動作可能な数メガバイトの軽量な顔認識ネットワークを開発した。
  論文  参考訳（メタデータ） (2020-07-16T19:02:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。