MobileFaceNet
定义
MobileFaceNet是一类为移动端和嵌入式设备设计的卷积神经网络模型，用于从对齐后的人脸图像中提取紧凑的特征向量，并通过向量之间的距离判断两张人脸是否属于同一人[1]。原文将其定位为参数量不超过100万的高效人脸验证骨干网络，其目标是让手机等算力有限的终端在本地完成实时比对[1]。
在公开的实现中，这类模型通常接收分辨率为112×112的彩色人脸图像，输出128维的特征嵌入，两张人脸的嵌入用余弦相似度比较，相似度超过阈值即判定为同一人。名字中的Mobile指其面向移动设备，FaceNet则沿用早期人脸嵌入模型把图像映射到特征空间的思路[1]。
原理
模型的整体流程分为检测、对齐、特征提取、比对四步。输入图像先由MTCNN一类检测器定位人脸并找出5个关键点，据此将人脸裁剪并对齐到固定尺寸，再把像素归一化后送入主干网络[2]。主干网络沿用MobileNetV2风格的倒置残差结构和深度可分离卷积，以少量参数完成特征提取[3]。
与通用的轻量级网络相比，关键改动出现在网络的收尾部分。常规做法是用全局平均池化把特征图压缩成向量，但池化对每个空间位置赋予相同权重，而人脸特征图中靠近中心区域的信息通常更关键。原文据此改用全局深度卷积(Global Depthwise Convolution)，使每个空间位置拥有可学习的权重，再经1×1卷积得到特征向量[2]。其计算可写成：
$G_m=\sum_{i,j}K_{i,j,m}\times F_{i,j,m}$
式中$F$为尺寸$W\times H\times M$的输入特征图，$K$为同样大小的深度卷积核，$G_m$为第$m$个通道的输出[4]。这一结构等价于对人脸不同区域加权求和，弥补了均匀池化丢失位置重要性的问题。
训练阶段使用ArcFace损失，在清洗后的MS-Celeb-1M数据集上从头训练，优化器为带动量的随机梯度下降，批大小为512，初始学习率0.1，在36K、52K、58K次迭代时降低学习率[2]。与MobileFaceNet配套的比对过程可以概括为：
发展历程
2018年4月20日，论文首次提交至arXiv预印本平台，同年在6月完成最后修订，作者为陈晟、刘洋、高翔和韩臻[1]。论文报告的对比实验显示，在相同条件下其准确率优于MobileNetV1、MobileNetV2、ShuffleNet等当时的轻量级网络，实际运行速度超过MobileNetV2的两倍[1]。
原文给出的代表性数据是：模型体积4.0MB，在LFW上的验证准确率99.55%，在MegaFace Challenge 1上FAR为1e-6时的TAR为92.59%，最快配置在手机上的实测推断时间为18毫秒[1]。开源社区随后出现多种框架的复现实现，论文本身也成为轻量人脸识别研究中常用的对照基线[2][5]。
应用
由于模型体积小、推断延迟低，这类网络主要用在需要本地实时比对的场合。芯片厂商的模型库将其适用场景列为手机解锁、楼宇门禁以及车内驾驶员监测，并提供了适配手机、平板和物联网设备的导出格式。
在学术与工程实践中，它常被用作非接触式门禁与考勤系统的识别模块。有研究在树莓派上运行安卓系统搭建双模式门禁系统，在多种光照与距离条件下取得了约95%的识别准确率[6]。也有工作把它与MediaPipe检测、支持向量机分类器组合，部署在低成本的单板计算机上控制电磁锁[7]。
在微控制器等更受限的平台上，它可以与TensorFlow Lite推理框架、Haar级联检测器搭配，完成特征提取与相似度匹配。此外，一些专利方案在其基础上增加性别、年龄等分支，使同一骨干网络同时输出多种属性识别结果[8]。
局限
作为轻量化模型，其精度与大型网络仍有差距。原文指出，为保证实时性而压缩结构会限制网络的学习能力，且论文本身只使用了轻量架构，未引入剪枝、量化、知识蒸馏等模型压缩手段[9]。在LFW这类受控数据集上的高准确率，也不等同于在低分辨率、大姿态、跨年龄等复杂条件下的表现，有改进研究在自有训练条件下测得原始模型在LFW上仅约97.72%[10]。
该网络只承担特征提取与比对，不含人脸检测和活体判别环节，实际系统需要另行配置检测器、对齐步骤和防伪模块[11]。有综述性分析也提到，原始论文偏重算法与基准测试，对实际部署中的工程细节和潜在问题讨论有限[12]。
此外，模型性能对预处理和输入质量敏感，人脸检测框的位置、对齐精度以及光照条件都会影响比对结果，这也是后续改进工作普遍关注姿态校正和低质量图像问题的原因[13]
参见
-
MTCNN —— 常用于人脸检测与关键点定位，为模型提供对齐后的输入
-
MobileNetV2 —— 提供倒置残差与深度可分离卷积的基础网络结构
-
ArcFace —— 训练该模型时使用的度量学习损失函数
-
人脸识别 —— 该模型所服务的生物特征识别任务领域
-
模型量化 —— 在嵌入式设备上进一步压缩与加速此类模型的常用手段
参考资料
- arxiv.org 上的网页 [引用日期2026-10-29]
- MobileFaceNets: Efficient Mobile Face Verification [引用日期2026-10-29]
- README.md · qualcomm/MobileFaceNet at main [引用日期2026-10-29]
- downloadArticleFile [引用日期2026-10-29]
- README [引用日期2026-10-29]
- gov.my 上的网页 [引用日期2026-10-29]
- ieee.org 上的网页 [引用日期2026-10-29]
- google.com 上的网页 [引用日期2026-10-29]
- 论文笔记：MobileFaceNet [引用日期2026-10-29]
- spiedigitallibrary.org 上的文件 [引用日期2026-10-29]
- FaceRecognizer class [引用日期2026-10-29]
- P LATFORM - A Journal of Science & Technology [引用日期2026-10-29]
- ijsnet.2024 [引用日期2026-10-29]