本研究针对传统依赖昂贵的边框注释来减少不确定性的困境,提出了 Deep LAndmark Network (DLAN),通过联合估计边框和关键点,有效解决了服装标记点检测的问题。在大规模的无限制服装里程碑数据库(ULD)上测试表明,DLAN 对不同类型的服装和模式的泛化表现极佳,非常适用于真实世界的时尚分析。
Aug, 2017
本文介绍了一种基于全局 - 局部嵌入模块的时尚地标检测网络,能够考虑服装图像的全局和局部相关知识,其中包括非局部操作用于捕捉远距离依赖关系和接下来的卷积操作用于采用局部邻域关系。实验结果表明,该方法在时尚地标检测方面有着很好的能力,并且优于最先进的方法.
Aug, 2019
本文提出了一种基于多层次的布局图推理层的方法,通过在中间表示中 na 无缝执行结构布局关系来检测多样化服装的密集关键点。实验结果表明,该模型具有优越性能,并贡献出了第一个细粒度的时尚标志物数据集以支持更全面的衣服生成和属性识别。
Oct, 2019
DeepFashion2 是一个多任务的数据集和基准,旨在为四个任务提供衣服检测,姿势估计,分割和检索,“Match R-CNN” 是解决这四个任务的强有力基线。
Jan, 2019
提出一种框架,包括四个阶段:脸部检测,边界框聚合,姿态估计和特征点定位。实验结果表明,该框架在人脸检测和特征点定位方面优于其他先进算法。
May, 2017
本文提出一种使用计算机视觉技术实现服装图像分割的方法,该方法基于经过训练的模型自动检测人体部位,并使用 Mask RCNN 算法对图像中的下装和上装进行检测和划分,取得了较好的效果。
May, 2023
本文提出一种基于 Deep Alignment Network 深度学习方法的漫画面部标记检测新模型,成功地在 80%以上的情况下检测到了面部特征点。
Nov, 2018
动物情感计算领域的重要挑战之一是缺乏高质量的数据集,本文提出了一个以猫脸图像为基础的新数据集,并通过使用面部标志检测卷积神经网络模型,在猫脸上取得了优异性能,同时该模型也具有推广到人脸标志检测的潜力。
Oct, 2023
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。
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