[论文解读] VIPLFaceNet: An Open Source Deep Face Recognition SDK

Xin Liu, Meina Kan+3 more|arXiv (Cornell University)|Sep 13, 2016

Face recognition and analysis参考文献 40被引用 5

一句话总结

本文提出 VIPLFaceNet，一个基于10层卷积神经网络（7个卷积层和3个全连接层）的开源深度人脸识别SDK。通过在ReLU之后集成快速归一化层（FNL），该方法将训练时间减少80%，在LFW基准测试中实现98.60%的平均准确率——相比AlexNet将错误率降低40%——同时在单线程i7 CPU上保持约150ms的低推理延迟。

ABSTRACT

Robust face representation is imperative to highly accurate face recognition. In this work, we propose an open source face recognition method with deep representation named as VIPLFaceNet, which is a 10-layer deep convolutional neural network with 7 convolutional layers and 3 fully-connected layers. Compared with the well-known AlexNet, our VIPLFaceNet takes only 20% training time and 60% testing time, but achieves 40\% drop in error rate on the real-world face recognition benchmark LFW. Our VIPLFaceNet achieves 98.60% mean accuracy on LFW using one single network. An open-source C++ SDK based on VIPLFaceNet is released under BSD license. The SDK takes about 150ms to process one face image in a single thread on an i7 desktop CPU. VIPLFaceNet provides a state-of-the-art start point for both academic and industrial face recognition applications.

研究动机与目标

• 开发一种高精度、低计算量的人脸识别系统，适用于实际部署。
• 解决手工设计特征与浅层模型在处理个体内差异和个体间相似性方面的局限性。
• 提供一个免费、开源的SDK，采用BSD许可证，以加速研究与工业应用的采用。
• 优化深度网络架构，以减少训练时间并提升收敛性，同时不牺牲准确性。
• 通过纯C++实现，实现跨软件与硬件平台的高效部署。

提出的方法

• 设计一个10层深度卷积神经网络，包含7个卷积层和3个全连接层，专为面部表征优化。
• 在每个ReLU激活后立即引入快速归一化层（FNL），以稳定并加速训练。
• 通过随机裁剪（裁剪尺寸在180–256之间变化）进行数据增强，以提升泛化能力与鲁棒性。
• 使用CASIA-WebFace数据集，采用随机梯度下降法进行训练，基础初始学习率为0.04。
• 采用15个周期的训练计划并结合FNL，将总训练时间缩短至8小时（相比无FNL时的40小时）。
• 通过纯C++ SDK部署训练好的模型，实现跨平台兼容性，并在CPU上实现低延迟推理。

实验结果

研究问题

• RQ1 是否可通过简化版的深度CNN架构，在显著减少训练时间的前提下实现最先进的人脸识别准确率？
• RQ2 快速归一化层（FNL）的引入如何影响训练收敛速度与模型泛化能力？
• RQ3 在LFW基准测试中，从准确率与计算效率角度出发，人脸输入的最佳裁剪尺寸是多少？
• RQ4 轻量级、开源的C++ SDK在多大程度上可与FaceNet或VGGFace等更复杂模型的性能相媲美？
• RQ5 与现有方法相比，VIPLFaceNet在封闭集与开放集人脸识别协议下的表现如何？

主要发现

• 在验证协议下，VIPLFaceNet在LFW基准测试中实现了98.60%的平均准确率，仅使用单一网络。
• 该模型将训练时间减少80%（至8小时），测试时间减少60%，同时将错误率降低40%，相比AlexNet。
• 最大准确率对应的最佳裁剪尺寸为227×227，准确率达98.60%，在更小或更大的尺寸下性能均下降。
• 引入快速归一化层（FNL）可提升收敛速度与泛化能力，使模型能在高学习率下仅用15个周期完成收敛。
• 在封闭集识别协议下，VIPLFaceNet实现92.79%的Rank-1准确率与FAR=1%时68.13%的DIR，优于DeepFace与AlexNet+FNL等先前方法。
• C++ SDK在单线程i7 CPU上处理单张人脸图像约需150ms，支持在实际应用中高效部署。