戚琦，马迎新，王敬宇，孙海峰，廖建新

（北京邮电大学网络与交换国家重点实验室，北京 100876）

1 引言

随着物联网时代的到来，边缘计算将与云计算共同推进人工智能的发展。边缘计算的推广与发展可将计算任务从云计算中心迁移到产生源数据的边缘设备上。车联网的车载系统、机器人控制系统、工业应用等边缘环境部署的英伟达开发板Jetson TX2 和Jetson Nano 设备，只需几瓦的功耗即可实现每秒进行上万亿次操作。基于深度学习的卷积神经网络已被广泛应用于人脸检测中，并尝试在边缘设备中部署，以减少网络传输时延，加快检测速度。

然而，边缘算力受限于内在或外在因素等条件。主流深度神经网络结构[1-5]趋于复杂，受限于网络复杂度及推理速度，难以在边缘计算实际应用场景中部署，需考虑精简网络结构来保持简洁和高效性。此外，在支撑人脸检测等深度学习任务推理的同时，边缘设备还需要为其他功能预留和共享资源，应尽可能探索轻量级方案，以减少算法所对应网络模型的复杂度和功耗。

围绕人脸检测而设计的轻量化网络算法[6-7]大幅缩减了网络结构来保持推理速度和资源消耗。例如，LFFD（light and fast face detector）[6]去掉了网络中的BN（batch normalization）层等重要组件以减少网络规模，但未重视网络特征融合上的冗余优化，导致其精度与主流算法相差较多。本文针对主流算法潜在的结构冗余、特征提取网络设计不合理、浅层特征不充分的问题，提出了多尺度感知的轻量化人脸检测算法——SDPN（scale-aware dual path network），在不损失检测精度的前提下优化了网络的特征融合方式，以实现速度与精度的均衡。……