深度循环回归用于面部关键点检测
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
本研究旨在评估迁移学习模型,包括 MobileNetV2 和 NasNetMobile,以及自定义 CNN 体系结构,在模型大小、参数和推理时间方面开发高效的深度学习模型,并研究数据增强和微调对这些模型的影响。MobileNetV2 体系结构产生了最低的 RMSE 和推理时间,而以人工优化的 CNN 体系结构与 Auto Keras 调整的体系结构表现类似。
May, 2022
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
本研究提出了一种新颖的循环编码器 - 解码器网络模型,用于实时基于视频的面部对齐。我们的模型预测带有回归损失的 2D 面部关键点映射,同时在空间和时间维度上独特地利用循环学习。在空间层面上,我们在联合输出响应映射和输入之间添加反馈循环连接,以使用单个网络模型实现迭代式的粗到精面部对齐。在时间层面上,我们首先将网络瓶颈中的特征分解为时间可变因素和时间不变因素,例如姿势和表情以及身份信息。然后将时间循环学习应用于分解的时间可变特征,在测试时间产生更好的普适性和显着更精确的结果。通过全面实验分析,我们展示了提出的模型各组件的重要性,以及在标准数据集上的优异结果。
Aug, 2016
本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法,使用 3D Inception-ResNet 层及 LSTM 单元,从面部图像中提取空间关系和不同帧之间的时间关系,并利用面部关键点作为输入,该方法在四个公开数据库上的表现超过了现有最先进技术。
May, 2017
本篇研究提出了一种基于深度卷积神经网络的关键点描述符提取算法,其能够高效提取面部特征从而替代传统方法 SIFT 和 HOG,并构建了一种基于回归的面部对齐算法,称为 LDDR,该算法在公开数据集上进行了验证,并有望在多种尺度、角度和遮挡下实现高精度的面部关键点的定位。
Jan, 2016
本文介绍一种深度回归方法,包括全局层和多阶段局部层。采用反向传播算法和 Dropout 策略进行联合优化。实验证明,该方法逐步且平均地逼近真实的人脸关键点,避免了早期回归器过强和后期回归器过弱的情况,最终取得了最先进的效果。
Sep, 2014
本文通过使用深度卷积神经网络和超分辨网络,提出了一种新的低分辨率人脸识别模型,并在 FERET 数据集上进行了评估,结果显示,相较于其他替代方法,本方法在特别是针对非常低分辨率的探测人脸图像时取得了显著的识别性能提高,并能在保证视觉质量等方面达到与超分辨率方法相当的低分辨率图像重建效果。
Jun, 2017
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
本文提出了一种新型的级联框架 —— 深度变形网络(DDN),用于定位非刚性物体中的标志物。DDN 能够在卷积神经网络(CNN)框架中融合几何约束,同时具有训练的简易和效率以及应用的广泛性。
May, 2016