Two-stage model re-optimization and application in face recognition

Jianyu Qian

doi:10.1016/j.neucom.2025.130805

Two-stage model re-optimization and application in face recognition

2025-07-15

0

PRE

AI

DOI：10.1016/j.neucom.2025.130805

原文链接

原文求助

摘要

En 中文

人脸识别技术已在各领域取得成熟性能，并被广泛应用于计算资源有限的边缘设备。然而，在实际应用场景中，部署平台往往是预先确定的，最终部署的模型是平台计算与存储能力权衡的结果。这些模型一旦确定，难以调整。因此，如何在不影响整个部署流程的前提下提升现有人脸识别模型性能，仍是一个具有实际意义和研究价值的课题。此外，随着深度学习的快速发展，互联网上存在大量高性能开源预训练模型。如何高效利用这些模型也值得研究。为解决上述问题，本文提出一种新型训练框架——两阶段模型重优化（TSMR）。TSMR通过知识蒸馏、模型重参数化和对抗学习技术提升人脸识别性能。特别地，TSMR在不增加推理延迟、修改网络架构或引入额外计算成本的情况下提升性能。它是一种通用的有效框架，可应用于任何基于CNN的识别网络。实验结果表明，TSMR在提升轻量级人脸识别模型性能方面具有有效性。在包括CALFW、CPLFW、YTF和AgeDB-30在内的多个数据集上，TSMR实现1%至2%的平均准确率提升。值得注意的是，当TSMR以FDFaceNet为基线时，在LFW数据集上达到95.58%的出色准确率，超越了轻量级人脸识别网络的当前最佳性能。

Keyword:

face recognition

model re-optimization

knowledge distillation

adversarial learning

lightweight networks

Two-stage model re-optimization and application in face recognition

摘要

期刊

机构

引用论文