基于卷积定理的人脸验证 美国有线电视新闻网
利用卷积定理加速CNN人脸验证模型
-
摘要: 针对人脸验证系统中复杂卷积神经网络 (卷积神经网络,CNN) 模型的计算负担大、运算速度慢的问题,提出使用卷积定理来加速人脸特征提取中的 美国有线电视新闻网 卷积层计算,从而提升人脸验证的速度.卷积定理中,空域中的卷积运算等价于频域中的乘积运算.将耗时的卷积计算转化为频域中的乘积计算后,可能会显著减少计算量,且无精度损失.分析了用卷积定理计算卷积的时间复杂度,给出了卷积定理加速的适用条件.在进 行傅里叶变换后,详细探讨了如何高效、并行地计算频域中的乘积求和,以便利用现有的并行线性代数运算库,充分发挥图形处理单元 (图形处理单元,GPU) 的并行计算能力.实验结果表明:该方法对人脸验证取得了明显的加速效果,具有一定实用价值. 摘要: 为了减轻当前人脸验证系统中大型CNN(卷积神经网络)模型的计算负担,提出了卷积定理,认为空间域的卷积等价于频域的乘积,以加快CNN中的卷积层, 从而加速人脸验证系统。 通过将耗时的卷积变换为频域中的乘积运算,节省了大量计算量,且不损失精度。 比较了利用卷积定理和直接计算卷积的计算复杂度,并给出了用卷积定理实现加速度的条件。 在傅里叶变换之后,详细探讨了并行实现积/和运算的方法,目的是充分利用GPU(图形处理单元)的能力。 结果表明,该算法对一些近期人脸验证模型取得了明显的加速效果,证明了其有效性。