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。
