Face recognition with convolutional neural networks on low power architectures

The growing diffusion of battery operated low-power computing platforms, both in industrial and scientific environments, calls for the development of energy efficient algorithms for a variety of computer vision applications. Furthermore, these pervasive devices are usually operated in challenging environments, where communications are strongly limited in bandwidth. The state of the art in face recognition field is represented by Convolutional Neural Networks based algorithms. Convolutional Neural Networks are as accurate as humans on a variety of challenging faces datasets, whose pictures are taken with no constraints on environmental conditions. Applications as face-based authentication, people tracking and military surveillance can benefit of pervasive, portable and autonomous devices capable of performing accurate face recognition with a small amount of energy, even when networking conditions are awful. This work aims at optimizing an existing Convolutional Neural Network implementation for face recognition to suit the needs of battery operated low-power devices, even when operating in difficult environmental conditions. The existing CNN is first simplified to obtain a faster execution algorithm with the minimum possible loss in recognition accuracy. An ad-hoc coding architecture is then developed to compress the output features of the fast CNN and show that, even with a very limited bandwidth, the recognition accuracy loss is negligible.

La crescente diffusione di dispositivi integrati a basso consumo alimentati a batteria, sia in ambito industriale che scientifico, richiede lo sviluppo di algoritmi di visione artificiale energeticamente efficienti. Gli stessi dispositivi integrati sono inoltre generalmente utilizzati in ambienti problematici, nei quali la larghezza di banda per le comunicazioni risulta fortemente limitata. Lo stato dell’arte nell’ambito del riconoscimento facciale è rappresentato da algoritmi basati su Reti Neurali Convolutive. Su diversi dataset di volti, fotografati in condizioni ambientali non controlalte, le Reti Neurali Convolutive si sono dimostrate accurate quanto gli esseri umani nel riconoscimento di volti. Applicazioni quali l’autenticazione basata sul volto, il tracciamento degli individui e la sorveglianza a scopi militari possono trarre beneficio da dispositivi integrati, portabili ed autonomi capaci di riconoscere accuratamente un volto con il minor dispendio possibile di energia, anche in condizioni di comunicazione particolarmente avverse. Questo lavoro ha l’obiettivo di ottimizzare l’implementazione esistente di una Rete Neurale Convolutiva per il riconoscimento facciale al fine di incontrare le necessità dei dispositivi a bassa potenza alimentati a batterie, anche quando operano in condizioni ambientali estreme. La Rete Neurale Convolutiva di partenza viene prima semplificata al fine di ottenerne una versione con un tempo di esecuzione ridotto, ma che allo stesso tempo consenta di mantenere un alto livello di accuratezza. Una architettura di codifica ad-hoc viene quindi sviluppata per comprimere le dimensioni dei dati estratti dalla Rete Convolutiva e mostrare che, anche in condizioni di comunicazione particolarmente difficili, la perdita in termini di accuratezza è minima.