一种更快捷的轻量级人脸识别模型

随着基于深度学习的人脸识别算法的发展和应用，人脸识别算法已经可以运用在计算资源充足的设备上

近年来，随着深度学习的发展，基于深度学习的人脸识别方法在现实中得到了广泛的应用。尤其在公共安全、智慧城市和金融交易等方面，对人脸识别技术的需求与日俱增。当前基于深度学习的人脸识别算法在精度上已经可以满足各类需求，但是其需要用到的计算量是非常大的，对运用的计算设备有着较高的需求，尤其高精确度的人脸识别模型通常需要用到大型的并行运算设备，这对于将模型迁移到计算资源少的小型设备上是一种挑战。因此，如何减少模型消耗的计算成本，设计出在计算资源少的小型设备上能高效运行的轻量级网络模型，已经成为进一步研究的热点之一。

轻量级网络模型吸引了大量研究人员的关注，目前已经取得不少的研究成果，如通过裁切、压缩和编码来降低网络模型的参数量和计算量的方法[1]。另有一些工作如MobileNet [2]和ShuffleNet [3]等则通过重新设计网络结构，引入逐通道卷积和逐点卷积等方式来降低参数量。这些模型在降低参数量和计算量的同时，其识别率等性能也下降明显，使得如何在轻量级网络模型的性能和计算复杂度之间取得恰当的均衡成为一个新问题。本文针对这一问题，提出一个以大型网络架构Inception-ResNet [4]为基础，在识别率几乎没有下降的情况下优化出的一个轻量级网络模型Lite-Inception-ResNet，在性能和计算量之间取得了更好的平衡。

2. 相关研究与方法基础 2.1. 人脸识别相关进展 近几年，基于卷积神经网络的方法已经成为人脸识别的主流方法，其主要分为两条研究路线，一条是对于网络架构进行改进的方法[5] [6]， 通过改进网络结构来提升模型的性能和速度。

另一条是对损失函数进行改进的方法[7] [8] [9]，通过改进损失函数来增强网络在大规模人脸识别上的区分度。随着模型在精度上的不断提升， 为了使网络结构能更好的运用于小型设备上， 对于轻量级网络结构的研究[2] [3]也与日俱增。

2.2. Inception-ResNet 架构 Inception-resnet 是由Google 提出的一个卷积神经网络架构，其有v1 和v2 两个版本，该网络架构由