MobileID 是一種非常快速的人臉識别系統，其可以從 DeepID2 中提取知識。給定一張被檢測和已對齊的人臉圖像，該軟體可以輸出一個低維的人臉表征（face representation），該表征可以可靠地保留其身份資訊。更多細節可參考我們的論文《Face Model Compression by Distilling Knowledge from Neurons》。
安裝并編譯 Caffe 和 t-SNE 庫。
下載下傳預訓練的模型 mobile_id.caffemodel：
Place "mobile_id.caffemodel" into "./models/"
Place "lfw.zip" into "./data/gallery/" and unzip
運作特征提取腳本：
sh ./extract_features_gallery.sh
運作可視化腳本：
matlab ./gen_tsne_gallery.m
MobileID 系統是在 CelebA 資料集上訓練的，在 LFW 資料集上測試的。當配備聯合貝葉斯（Joint Bayesian：http://www.jiansun.org/papers/ECCV12_BayesianFace.pdf）時，它能在保證高速的同時還實作出色的表現，如下所示：
注：CelebA 資料集和 LFW 資料集之間沒有身份重疊。
論文：通過從神經元中提取知識實作的人臉模型壓縮（Face Model Compression by Distilling Knowledge from Neurons）
近來的先進人臉識别系統都建構于大型深度神經網絡（DNN）或它們的組合之上，其中會包含數以百萬計的參數。但是，DNN 高昂的計算成本使得我們難以将其部署到移動裝置和嵌入式裝置中。這項工作解決了用于人臉識别的模型壓縮問題，其中一個大型教師網絡（large teacher network）或其組合所學習到的知識會被用作訓練一個緊湊的學生網絡（compact student network）的監督。和之前通過軟化标簽機率（soften label probabilities）（這種方法難以拟合）來表征知識的方法不同，我們通過使用更高隐藏層的神經元來表征知識，其可以保留和标簽機率一樣多的資訊，但是能做到更加緊湊。通過利用學習到的人臉表征的基本特征（阈知識），我們提出了一種神經元選擇方法來選擇與人臉識别最相關的神經元。使用被選擇的神經元作為監督來模拟 DeepID2+ 和 DeepID3（這是目前最佳的人臉識别系統）的單個網絡，一個帶有簡單網絡結構的緊湊學生網絡可以在 LFW 上分别實作比其教師更好的驗證準确度。當使用 DeepID2+ 的組合作為教師時，一個模仿學生可以實作比其更好的表現并實作 51.6 倍的壓縮率和 90 倍的推理速度提升，使得可将這種笨重的模型應用于便攜式裝置。
原文釋出時間為： 2017-07-04
本文來自雲栖社群合作夥伴極市網，了解相關資訊可以關注極市網。