Aug, 2015

一种用于人脸检测的深度金字塔可变部件模型

PDF
TL;DR提出了 DP2MFD 算法，它基于 Deformable Part Models 和深度金字塔特征来检测各种大小和姿态的人脸，通过在深度卷积神经网络上添加归一化层来减少 DPM 在深层特征训练和测试中的差距，通过在四个公开的人脸检测数据集上的广泛实验表明，该方法能够捕捉人脸的有意义的结构，并且比许多竞争性的人脸检测算法表现得更好。
face detectiondeformable part modelsdeep pyramidal featuresunconstrained conditionsconvolutional neural network
发现论文，激发创造
  • 可变形部件模型是卷积神经网络

    本文提出一种名为 DeepPyramid DPM 的模型，将图形模型 (DPM) 和卷积神经网络 (CNN) 相结合，取得了较好的性能，可用于视觉识别领域。

    Sep, 2014

  • 使用深度卷积神经网络进行多视角人脸检测

    本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法，不仅不需要姿态或者地标注释，而且能够探测多个视角下人脸的位置，并且表现出与其他方法相当或优于其他更为复杂的方法。

    Feb, 2015

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017

  • Pix2face: 3D 人脸模型直接估算

    这篇论文介绍了一种高效、全自动的方法，可以在自由 2D 图像中进行 3D 人脸形状和姿态估计，并使用基于改进的 U-Net 神经网络架构的单一传递联合估计稠密的 3D 关键点和面部几何，此外，还提出一种直接估计 3D 可塑模型（3DMM）参数的方法，通过估计的 3D 关键点和几何形状作为线性系统的约束，为非约束性视频序列中的预测 3D 面部关键点进行了定性建模结果和定量评估。

    Aug, 2017

  • 人脸检测、识别和验证的快速准确系统

    本文提出了一种使用深度神经网络技术实现的、适用于各种人脸检测和识别的解决方案，包括面部检测、特征定位和人脸验证等环节，并在许多测试数据集上达到了最新水平。

    Sep, 2018

  • 一种快速准确的非受限人脸检测器

    本文提出了一种无约束人脸检测的方法，使用新的特征 NPD 以及深度二次树来学习并优化数据，最终达到了与目前最优检测方法相媲美的检测效果。

    Aug, 2014

  • DeepPyramid+: 利用金字塔视图融合和可变形金字塔接受的医学图像分割

    深度金字塔 + 是一个网络架构，通过引入金字塔视图融合（PVF）和可变形金字塔感受野（DPR）两个重要模块，有效解决了医学图像和手术视频分割中的多种挑战，如异质性类别、可变形形状和透明特征等，通过实验证明了其在各种挑战下的优越表现。

    Dec, 2023

  • 尺度友好的深度卷积神经网络进行人脸检测

    本篇论文介绍了一种基于卷积神经网络设计的人脸检测器，该检测器可以处理极大范围内尺度大小的人脸，所设计的深度卷积神经网络结构可以模拟不同尺度的人脸，且经过训练后在 WIDER FACE 和 FDDB 数据集中表现出优异性能，其模型的输入不需要图像金字塔，拥有适度的复杂度，实用性标准时间内运行。

    Jun, 2017

  • 基于深度学习的面部部位响应到人脸检测的转换

    本文提出了一种新颖的深度卷积网络，通过对面部部位响应的空间结构和排列进行评分机制，从新的角度寻找面部，并考虑到挑战性情况下的面部检测，如严重遮挡和不受约束的姿势变化，以实现在 FDDB，PASCAL Face 和 AFW 数据集上出色的表现。

    Sep, 2015

  • DeePM: 一种用于目标检测和语义部件定位的深度基于部件模型

    本文提出了一种深度基于部件的模型（DeePM），旨在实现符号对象检测和语义部位定位，通过 PASCAL VOC 2012 数据集上的 20 种物体类别的语义部分注释来完成。DeePM 是基于最先进的 R-CNN 框架的潜在图形模型，通过灵活的类型共享学习对象 - 部分配置的显式表示。我们评估了所提出的方法在 PASCAL VOC 2012 上的对象和部分检测性能，并表明 DeePM 在检测对象和部件方面始终优于 OP R-CNN，并且在对象检测方面获得了比 Fast 和 Faster R-CNN 更好的性能。

    Nov, 2015