使用带干支网络的全卷积网络进行非约束性面部关键点定位
本文介绍了一种结合数据和模型的方法来完成面部关键点的检测,即先利用全卷积网络(Fully Convolutional Network, FCN)来生成脸部所有关键点的响应图,再利用 Point Distribution Model(PDM)生成初始面部形状,最后使用加权变体的正则化关键点均值漂移(RLMS)来微调面部形状,实验表明本文提出的方法在面部表情、头部姿态和部分遮挡等挑战性数据集上都能够取得最好的表现。
Nov, 2016
本文提出了一种名为 MS-FRCNN 的新方法,它可以鲁棒地检测在面临各种困难的情况下搜集的图像中的人类面部区域,基于 Wider Face 数据库和 Face Detection 数据集与基准(FDDB)对比表明,该方法在各种情况下相对于其他最新的人脸检测方法,始终保持高度竞争力的最新表现。
Dec, 2016
本文提出了一种深度结构化面部标记检测方法,该方法使用深度卷积网络和条件随机场相结合,能够在面部标记检测上取得比现有技术更卓越的性能,特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。
Oct, 2020
提出一种新颖的端到端深度架构用于面部标记检测,它基于卷积和反卷积网络,以及经过精心设计的循环网络结构,并在多个基准数据集上得到了比当前最先进方法更卓越的表现。
Oct, 2015
本研究提出一种基于全卷积神经网络的三级级联结构,采用多尺度全卷积网络生成得分图,使用可能区域而非建议直接连接下一级级联,通过使用得分图可以在公共数据集上获得强大的人脸检测性能。
Sep, 2016
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
通过卷积神经网络在图像强度的作用下,直接准确和稳定地回归头部在三维中的六自由度姿态,进而使用该 FacePoseNet (FPN) 通过替代显式面部标志检测的方法在二维和三维中对齐面部,我们发现在许多情况下,基准检测准确性可能会误导面部对齐方法的比较。我们的 FPN 方法提供了比现有方法更好的 2D 和 3D 面部对齐,并且耗费的计算资源相对较小,是目前用于面部对齐的更快速和准确的方法。同时,我们使用相同的识别管道但不同的面部对齐方法来评估它们对 IJB-A 和 IJB-B 基准测试的面部识别准确性的影响。
Aug, 2017
我们提出了一种新颖的卷积神经网络,用于面部标志坐标回归。我们调查了训练用于标志检测的标准 CNN 的中间特征,并展示了从更专业的层提取的特征捕获了大致的地标位置。这为在网络中途应用差分处理提供了自然手段,根据面部对齐调整处理。所得的 TCNN 模型,以外观敏感的方式利用 CNN 对标志检测的健壮性,而不用训练多部分或多尺度模型。我们在标准面部标志检测和面部验证基准测试上的结果显示,TCNN 超过了以前发表的表现。
Nov, 2015
本文提出一种基于卷积神经网络的综合框架,通过人工模糊训练数据、分支主干集成卷积神经网络模型以及改进型三元组损失函数等技术,有效克服了视频人脸识别中面临的图像模糊、姿态变化和遮挡等问题,并实现了在多个流行视频人脸数据库上的最佳表现。
Jul, 2016
通过结构感知的全卷积网络以及 GAN 的显式 / 隐式学习策略,该论文提出了一种解决单目图像中姿态估计问题的方法,并在 2D 和 3D 姿态估计以及人脸重要标识等相关任务上显著优于现有方法。
Nov, 2017