2. DTFNet模型

人脸识别模型性能的提升通过提取具有判别力的特征。在MobileFaceNet网络中使用了深度卷积，利用深度卷积降低模型的参数量，但是深度卷积相对于传统卷积提取的特征有信息不够丰富，会阻碍后续网络对特征的优化。针对深度卷积提取的特征存在信息损失的问题，DTFNet是借鉴恒等映射的思想和MobileFaceNet得出的轻量级人脸识别网络设计原则。DTFNet模型主要分为四个部分：第一个部分网络的架构设计。第二部分针对深度卷积提取特征存在信息损失提出的DTBlock(depthwise traditional Block)。第三部分是特征融合，讨论最佳特征融合方式。第四部分是损失函数，在DTFNet模型中使用ArcFace损失函数和融合损失函数，融合损失函数针对DTBlock模块中的恒等映射中出现信息损失的问题。以下将从网络架构、DTBlock模块、特征融合和损失函数四个方面展开介绍DTFNet模型。