针对人脸识别技术实际应用中存在着网络参数冗余、模型计算量大及人脸推理过程慢等问题

本文通过对卷积神经网络(CNN)的结构设计和损失函数进行了研究

提出了一种基于深度可分离卷积和全局平均池化技术的Small-FRNet卷积神经网络模型。相比于传统的卷积神经网络

模型采用深度可分离卷积和全局平均池化技术

有效地降低了网络的参数和计算量。同时

通过联合SoftMax损失和中心损失作为监督信号对损失函数进行优化

提高了特征的判别性

改善了人脸的识别精度。实验结果表明:相比于DeepFace

所提模型的参数量和计算量分别减少了97%和86%

在LFW人脸库上取得了99.38%的准确率。