李 昂

（1福建师范大学计算机与网络空间安全学院 福建 福州 350007）

（2数字福建大数据安全技术研究所 福建 福州 350117）（3福建省公共服务大数据挖掘与应用工程技术研究中心 福建 福州 350117）

0 引言

随着深度学习技术的完善与发展，为人们带来便利同时也会相应的带来一定的风险。尤其是换脸技术的不断升级改进，换脸方法所需的技术门槛越来越低，而生成的假脸则越来越逼真。因此为了达到更好的检测精度，检测模型不得不加深网络架构，增加更多的参数量以获得更好的准确率，但又会导致模型复杂性过高，网络运算效率降低等一系列问题。

现如今换脸检测算法网络模型复杂和参数冗余的问题是普遍存在的，大多的换脸检测模型依靠重复堆叠网络模块，或大量引入残差结构，运行效率较低。故部分换脸检测模型为了优化网络模型，提高训练速度，通过研究轻量级网络来解决这个问题。现如今一些方法虽然降低了模型的复杂度，减轻模型的计算负载，但所得到的检测效果都不尽人意。

而本文基于EfficientNetV2网络，对其进行轻量化改进，从而提高了模型的检测效率。首先，将原网络注意力机制SENet模块改进为高效通道注意力模块（efficient channel attention，ECA），可使一维卷积自适应地确定卷积核的大小，降低了网络模型的复杂度[1]。其次对网络架构进行优化，将原始EfficientNetV2特征提取模块中的各个stage的卷积层数进行调整，简化了网络模型架构，提高了网络的运行速率。最后，通过实验对比分析其他的网络模型，验证改进后模型的性能效果。……