MobileID 是一种非常快速的人脸识别系统，其可以从 DeepID2 中提取知识。给定一张被检测和已对齐的人脸图像，该软件可以输出一个低维的人脸表征（face representation），该表征可以可靠地保留其身份信息。更多细节可参考我们的论文《Face Model Compression by Distilling Knowledge from Neurons》。

更多信息也可以联系Ziwei Liu.

需求

• Caffe：https://github.com/BVLC/caffe
• t-SNE：https://lvdmaaten.github.io/tsne/

开始

• 安装并编译 Caffe 和 t-SNE 库。
• 下载预训练的模型 mobile_id.caffemodel：

Place "mobile_id.caffemodel" into "./models/"

• 下载预存的对齐且裁剪后的 LFW 数据集 lfw.zip：https://drive.google.com/file/d/0B7EVK8r0v71pNGdPd...

Place "lfw.zip" into "./data/gallery/" and unzip

运行特征提取脚本：

sh ./extract_features_gallery.sh

运行可视化脚本：

matlab ./gen_tsne_gallery.m

表现

MobileID 系统是在 CelebA 数据集上训练的，在 LFW 数据集上测试的。当配备联合贝叶斯（Joint Bayesian：http://www.jiansun.org/papers/ECCV12_BayesianFace.pdf）时，它能在保证高速的同时还实现出色的表现，如下所示：

数据集

大规模名人面部属性数据集（CelebA）：http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

注：CelebA 数据集和 LFW 数据集之间没有身份重叠。

论文：通过从神经元中提取知识实现的人脸模型压缩（Face Model Compression by Distilling Knowledge from Neurons）

近来的先进人脸识别系统都构建于大型深度神经网络（DNN）或它们的组合之上，其中会包含数以百万计的参数。但是，DNN 高昂的计算成本使得我们难以将其部署到移动设备和嵌入式设备中。这项工作解决了用于人脸识别的模型压缩问题，其中一个大型教师网络（large teacher network）或其组合所学习到的知识会被用作训练一个紧凑的学生网络（compact student network）的监督。和之前通过软化标签概率（soften label probabilities）（这种方法难以拟合）来表征知识的方法不同，我们通过使用更高隐藏层的神经元来表征知识，其可以保留和标签概率一样多的信息，但是能做到更加紧凑。通过利用学习到的人脸表征的基本特征（阈知识），我们提出了一种神经元选择方法来选择与人脸识别最相关的神经元。使用被选择的神经元作为监督来模拟 DeepID2+ 和 DeepID3（这是当前最佳的人脸识别系统）的单个网络，一个带有简单网络结构的紧凑学生网络可以在 LFW 上分别实现比其教师更好的验证准确度。当使用 DeepID2+ 的组合作为教师时，一个模仿学生可以实现比其更好的表现并实现 51.6 倍的压缩率和 90 倍的推理速度提升，使得可将这种笨重的模型应用于便携式设备。

原文发布时间为： 2017-07-04

本文来自云栖社区合作伙伴极市网，了解相关信息可以关注极市网。