Jul, 2016

从粗到细学习人脸对齐的深度表示

PDF
TL;DR本文提出了一种新的人脸对齐方法，该方法使用深度卷积网络从粗到细进行训练，将关键点分为主要子集和详细子集，并逐渐减小主要子集的权重，使两个子集具有相等的权重。在 COFW 数据集上取得了 6.33% 的平均误差，相较于最佳结果 [2] 减少了 21.37%。
face alignmentdeep convolutional networklandmark predictioncofw datasetmean error
发现论文，激发创造
  • 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

  • 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

  • 人脸对齐的深度回归

    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

  • 密集人脸对齐

    本文提出一种利用 CNN 进行 3D 面部形状估计的方法，实现了对于姿态变化较大的大角度面部图像的高精度、稠密三维对齐。

    Sep, 2017

  • 野外多视图人脸对齐

    本文提出了一种联合多视角卷积网络，用于处理野外环境下面部姿态的大幅度变化，并优雅地桥接面部检测和面部标记定位任务，该方法对于半正面和侧面脸可检测和对齐大量关键点，并在多个数据集上证明了对于面部追踪和面部检测的显著改进。

    Aug, 2017

  • DeCaFA: 面部对齐的深度卷积级联网络

    DeCaFA 是一种端到端的深度卷积级联体系结构，它使用全卷积阶段保持整个级联的完整空间分辨率，并利用多个链接转移层生成面部对齐任务的每个标记的基于注意力的地标注意力图。通过加权中间监督以及阶段之间的高效功能融合，DeCaFA 可以学习逐步以端到端的方式细化注意力图。结果表明，DeCaFA 在 300W，CelebA 和 WFLW 数据库上显着优于现有方法。此外，研究表明 DeCaFA 能够利用粗略注释数据从极少量图像中学习良好的对齐。

    Apr, 2019

  • 利用辅助属性学习人脸对齐的深度表示

    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。

    Aug, 2014

  • 利用头部姿态估计辅助人脸对齐

    本文提出了一种基于显式头部姿态估计的级联人脸对齐的监督初始化方案，在 300W 数据集上表现出很高的性能。

    Jul, 2015

  • 跨大姿态的人脸对齐：一种三维解决方案

    提出了一种新的 3D 密集面部对齐框架 (3DDFA)，通过卷积神经网络 (CNN) 将密集的 3D 面部模型拟合到图像中，解决了面部对齐中的圆形视图问题，面部外观变化剧烈问题和面部关键点标记困难问题，并通过在 profile 视图下合成大规模训练样本来解决关键点标记困难问题，并在具有挑战性的 AFLW 数据库上实验，证明我们的方法明显优于现有最先进方法。

    Nov, 2015

  • 深度对齐网络：用于鲁棒性人脸对齐的卷积神经网络

    本文提出了一种基于深度神经网络结构的鲁棒人脸对齐方法 Deep Alignment Network (DAN)，DAN 采用全脸图像进行人脸对齐而非局部补丁，并通过在算法的每个阶段利用地标热图来提供之前阶段的视觉信息，从而使 DAN 处理具有大头姿态变化和困难初始化的面孔图像。我们在两个公开数据集上进行了广泛评估，结果表明 DAN 将失败率的最新技术水平降低了高达 70%。

    Jun, 2017