在法医环境中，由于姿态变化、光照变化、遮挡以及缺乏标注数据，自动识别犯罪嫌疑人变得困难。本文提出了ForensicNet，一个轻量级深度学习框架，旨在增强法医人脸识别中的注意力。此模型结合了MobileNetV2主干网与卷积块注意力模块（CBAM），以提高特征的判别性学习，同时保持计算速度。采用了两阶段的迁移学习策略，并结合自适应层解冻技术，以改善领域适应性并减少过拟合。研究使用了公开数据集，如LFW和SCFace，共包含15,000张面部图像，涵盖68个身份类别。实验结果显示，该模型在准确率上达到了92.4%，精确率为90.8%，召回率为89.5%。此外，该框架在每次推断时仅需2.1 GFLOPs，因此可以应用于实时法医监控。
博主点评： ForensicNet 在传统的人脸识别任务中展示了其高效性和可用性，特别是在法医领域的应用。通过结合轻量级架构和注意力机制，该模型不仅提高了识别准确性，也满足了实时处理的需求，具有广泛的应用前景。