Nov, 2015

卷积神经网络改进的面部关键点检测

PDF
TL;DR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。
convolutional neural networkfacial landmarkregressiondifferential treatmentappearance-sensitive
发现论文，激发创造
  • 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

  • 深度循环回归用于面部关键点检测

    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

  • 面部特征点检测的深度结构预测

    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

  • 重新审视面部关键点检测：使用深度神经网络的高效方法

    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

  • 基于数据驱动和模型驱动的面部关键点鲁棒检测

    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

  • 用于地点识别的区分性视觉地标定位

    本文提出了一种利用卷积神经网络提取特征并用地标定位网络确定区分性地标的方法，用于视觉地点识别问题，该方法在各种外观和视角变化方面均具有优异的性能。

    Apr, 2019

  • 无限 3D 关键点：提升连续 2D 面部关键点检测

    这篇论文主要探讨了人脸标记探测器的实际应用中存在的三个重要问题，并展示了如何通过特定的架构改进来提高其准确性和时间稳定性。

    May, 2024

  • 利用地标分布描述符进行视觉场所识别

    本研究中，我们建立了从地标特征中提取的描述符，该描述符还编码了视图中地标的空间分布，匹配描述符然后强制实施地标在视图之间的相对位置的一致性，这对性能有显着影响。在 10 个图像对数据集上的实验中，每个数据集都由 200 个城市地点组成，观察位置和条件有显着差异，我们记 录了大约 70％ 的平均精度（在 100％ 召回率下），而使用整个图像 CNN 特征获得了 58％，[1] 方法获得了 50％。

    Aug, 2016

  • 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

  • 人脸分析的全功能卷积神经网络

    本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

    Nov, 2016