轻量化边缘计算：双分支多尺度感知人脸检测SDPN

"面向算力受限边缘环境的双分支多尺度感知人脸检测网络" 在当前的物联网时代，边缘计算正逐渐成为人工智能发展的重要驱动力。它将计算任务从云端转移到边缘设备，如车载系统、机器人控制系统和工业应用中的Jetson TX2和Jetson Nano等低功耗设备，这些设备能够在本地处理大量数据，减少网络延迟，提高响应速度。特别是在人脸识别领域，基于深度学习的卷积神经网络(CNN)已经成为了人脸检测的主要技术手段，它们能够有效地识别和定位人脸。 然而，边缘设备的计算能力有限，且受到硬件资源和功耗的约束。主流的深度神经网络模型，如ResNet、VGG和Inception等，由于其复杂的结构和大量的参数，往往难以在边缘设备上实时运行。因此，研究轻量级的网络模型是解决这一问题的关键。现有的轻量化网络算法，如LFFD（Light and Fast Face Detector），虽然通过减少BN层等组件减小了网络规模，但在精度上与先进算法相比仍存在差距。 本文提出的SDPN（Scale-Aware Dual Path Network）是一种针对这些问题的新颖人脸检测算法。SDPN借鉴了经典ResNet架构中的ResNet18，其设计重点在于优化网络结构和特征融合，通过采用双分支的多尺度感知结构，减少了网络层融合中的冗余，从而提高了效率和精度。这一设计尤其关注在小尺度人脸检测中的表现，因为极小人脸（最长边小于12像素）约占WIDER FACE数据集中人脸的30%，并且人脸尺度变化范围广泛，从3到1000像素不等。 传统图像金字塔方法虽然能增强多尺度检测能力，但由于其对不同缩放系数的冗余计算，不适合资源有限和时延敏感的边缘环境。相比之下，特征金字塔方法更注重不同层次特征的融合，利用高层语义特征和低层空间信息，以适应不同尺度的人脸检测。SDPN在此基础上进一步改进，通过双分支结构同时捕捉不同尺度的信息，减少了计算负担，提升了边缘设备上的人脸检测性能。 在WIDER FACE数据集上进行实验验证，SDPN在保持高检测精度的同时，显著提高了检测速度，适应了边缘计算环境中资源有限和实时性的需求。通过这种创新的网络设计，SDPN为未来轻量级人脸识别算法的研究提供了新的思路和方向。