全局深度分离卷积残差网络：高效人脸识别新策略

本文主要探讨了"基于全局深度分离卷积残差网络的高效人脸识别算法"这一主题，发表在《武汉工程大学学报》第41卷第3期，2019年6月。研究关注的是计算机视觉领域的核心问题——人脸识别，这是一种重要的生物特征识别技术，在政府机构、军队、金融等众多领域有着广泛的应用潜力。 近年来，卷积神经网络(CNN)的发展极大地推动了人脸识别技术的进步，特别是在解决人脸识别中的复杂性问题上，如在监控场景中识别远处、光线不佳、面部表情和姿势变化的人脸。然而，为了达到高精度的识别效果，传统的深度学习模型，特别是那些包含大量参数的网络，虽然能够学习丰富的特征，但训练时间和计算资源消耗也随之显著增加，限制了其在实时应用场景中的应用。 论文的创新之处在于提出了一种新型的网络架构——全局深度分离卷积残差网络。该网络首先采用小卷积核来捕获人脸图像的局部细节信息，这有助于提高识别的精确度。接着，深度残差学习网络被用作基础结构，用于提取不同层次的特征，这种设计有助于保留和传递网络的梯度，防止梯度消失或爆炸的问题。 更重要的是，该算法引入了全局深度可分离卷积，这种方法考虑了人脸特征在空间上的分布权重，对不同区域的特征学习进行动态调整，从而加速了深层特征的精炼过程。这样做的结果是，模型能够在保持识别性能的同时，显著提升计算效率，实现高效的人脸识别，这对于实时应用来说具有重要意义。 论文作者陈希彤和卢涛，作为硕士研究生和博士、副教授，分别在论文中贡献了他们的专业知识和研究成果。他们获得了国家自然科学基金和湖北省自然科学基金的支持。文章的引用格式为陈希彤和卢涛的署名，以及详细的期刊、卷号、期号和页码信息。 这篇论文提出了一种创新的深度学习方法，旨在解决人脸识别中的实时性能问题，通过优化网络结构和学习策略，以期在保证识别准确性的前提下，提升算法在实际场景中的应用效能。