Aug, 2014

利用辅助属性学习人脸对齐的深度表示

PDF
TL;DR本文提出一种新型的任务约束深度模型，通过学习相互关联的异质性面部属性，如性别、表情和外貌属性，与地标检测问题的联合优化，有效提高了地标检测的鲁棒性。通过广泛的评估，表明所提出的任务约束学习方法不仅在处理具有严重遮挡和姿态变化的面部影像方面优于现有的面部对齐方法，而且与基于级联深度模型的现有方法相比，明显减少了模型复杂度。
landmark detectionface alignmentfacial attributesdeep learningmulti-task learning
发现论文，激发创造
  • 使用多任务级联卷积网络进行联合人脸检测和对齐

    该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法，利用深度学习及在线难样本挖掘等技术，在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。

    Apr, 2016

  • 深度多任务学习方法进行异质人脸属性估计

    本文章提出了一种基于深度多任务学习的方法，使用卷积神经网络来估计单张人脸图像中的多个异质属性，并在 MORPH II、LFW + 等数据库上进行了实验，取得了优秀的性能。

    Jun, 2017

  • 野外多任务头部姿态估计

    通过深度学习的多任务方法，提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构，相比现有技术，在头部姿势和可见性方面均取得了最佳表现，在人脸对准方面也达到了和现有技术同等的状态。

    Feb, 2022

  • 人脸关键点检测的基准焦点增强

    通过使用深度学习方法和图像增强技术，本文提出了一种有效的面部特征检测方法，采用 Siamese 架构和 Transformer + CNN 网络作为骨干结构，通过高级特征表示的集合学习来改善面部特征检测的性能。经过大量实验证明，该方法在各种基准数据集上优于多种最新方法。

    Feb, 2024

  • 使用不变专家混合的鲁棒人脸对齐

    该研究提出了一种级联的面部对齐算法，其中每个级别都由回归专家的混合组成，该系统不受预定义类别的变换的影响，并且可在鉴别对准框架中包含形变约束，从而使该算法更加稳健。

    Nov, 2015

  • 使用脸部标记信息增强的卷积神经网络从面部图像预测个人特征

    本文提出了使用深度卷积神经网络结合面部标志信息来估计面部属性的新方法，并在新的面部属性数据集上进行了实证分析，结果显示该方法相对于基线方法在多个面部属性上均有显著提升。

    May, 2016

  • 用于非对齐人脸属性分类的深级联网络

    本文提出了一个级联网络，同时学习了特定属性的面部区域定位和无需对齐的属性分类，使用多网路学习方法和基于提示的模型压缩进一步提高了模型性能。在未对齐的 CelebA 数据集上，与最先进的方法相比，分类错误率降低了 30.9％。

    Sep, 2017

  • 利用不确定性加权的多任务学习用于异质面部属性估计

    基于信息共享，提出了一种广义框架来联合估计面部的序数和名义属性，并通过考虑每个属性估计任务的同方差不确定性来权衡多个损失函数，以实现面部多属性的最优估计，并降低多任务学习的训练成本，与现有方法相比，实验证明所提出的方法具有优越的性能，最后，讨论了面部属性估计的偏差问题，并验证其在边缘系统上的可行性。

    Mar, 2024

  • 通过融合头部姿态信息和特征实现的 3D 面部对齐

    本研究提出了一种新方法，通过将头部姿势信息与面部定位网络的特征图相融合，改进了面部定位的性能。此外，所提出的网络结构通过使用 2D 特征图和 3D 热图表示的多维特征，在双维度网络中实现了鲁棒的面部定位。为了有效地进行密集面部定位，我们还提出了基于知识蒸馏的训练方法，用于通过预测关键点来预测面部几何标记。通过实验评估了预测的面部标记与头部姿势信息之间的相关性，以及面部标记的准确性与头部姿势信息的质量之间的变化。此外，我们还在 AFLW2000-3D、AFLW 和 BIWI 数据集上与最先进的方法进行了竞争性性能比较，证明了所提方法的有效性。

    Aug, 2023

  • 通过对齐学习实现端到端的人脸识别

    本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习，以逐步学习出最适合面部识别任务的几何变换和适当的面部区域，从而达到高精度面部识别的目的。

    Jan, 2017