1. 研究目的与意义（文献综述）

深度学习是机器学习和人工智能研究的最新趋势之一。它也是当今最流行的科学研究趋势之一。随着新深度学习技术不断的诞生和发展，深度学习方法为计算机视觉和机器学习带来了革命性的进步，使人工智能在很多领域的应用得到发展，如图像识别，人脸识别，语音识别，场景理解，文字提取，智能推荐，无人驾驶等。其中基于深度学习的人脸识别是十分流行的应用场景之一。人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，尽管人脸识别的研究起源非常早，但由于人脸识别的使用环境的不可控，经常会受到亮度，遮挡，形变的诸多外部因素的影响，其识别的准确率很长一段时间都无法达到实际应用的标准，而随之深度学习算法的不断发展，人脸识别技术的识别率不断提高，如今人脸识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域。

如今随着互联网技术的发展，人们越来越倾向于使用移动设备（手机，平板）上网，数据显示，截止2013年底，中国手机网民超过5亿，占比达81%。伴随着移动终端价格的下降及wifi的广泛铺设，移动网民呈现爆发趋势。截至2014年4月，我国移动互联网用户总数达8.48亿户，在移动电话用户中的渗透率达67.8%；手机网民规模达5亿，占总网民数的八成多，手机保持第一大上网终端地位。我国移动互联网发展进入全民时代。在智能手机使用率不断提高的的同时，手机的使用场景也在不断丰富，实时聊天，网络电话，线下支付，网络购物等等丰富着人们的生活。因此，对于手机用户隐私的保护成为了一个日趋重要亟待解决的问题。而人脸识别技术是解决移动互联网用户隐私问题的一个重要手段，因此，如何将基于深度学习的人脸识别技术应用到移动平台上是目前一个研究的热点。

目前国内外针对移动平台的深度学习发展十分迅速，在硬件方面，四大主流的芯片厂商(高通，华为海思，联发科，三星)都在他们最新的芯片上提供了支持机器学习的硬件加速支持，尤其是海思引入了专门的神经处理单元，广泛应用于深度学习的算法，大大提高了性能和效率。软件方面，谷歌分别在2015年和2017年推出了目前主流开源机器学习库tensorflow的移动端版本tensorflow mobile，tensorflow lite，尽管目前还无法与许多型号和移动设备完美配合，但诸多问题在未来都会得到解决。

2. 研究的基本内容与方案

一、基本内容

1.分类整理目前主流的基于深度学习人脸识别算法，分析各自的优缺点；

2. 选择一种适合进行压缩的深度学习模型，并进行模型的压缩；

3. 研究计划与安排

第1~3周 查阅文献；分析题目研究现状，学习基本理论；

第 4 周 阅读文献、撰写开题报告，英文文献翻译；

第5-7周 熟悉所选用的算法，运用所学的数学以及计算机理论知识，完成算法的实现，提出改进方案

4. 参考文献（12篇以上）

[1] parkhi, omkar m., andrea vedaldi, andandrew zisserman. "deep face recognition." british machine visionconference, 2015.

[2] zhang, xiao, et al. "range loss fordeep face recognition with long-tailed training data." ieee conference oncomputer vision and pattern recognition, 2017.

[3] ignatov, andrey, et al. "ai benchmark:running deep neural networks on android smartphones." arxiv preprintarxiv:1810.01109 (2018).