Sep, 2016

多视角人脸检测的漏斗结构级联与对齐感知

PDF
TL;DR本文提出了一种基于漏斗结构的多视图人脸检测框架 (FuSt)，该框架使用级联分类器和形状索引特征，具有高准确性和低时间成本，能够对多种不同的面部形态进行检测并进行人脸对齐。实验证明，该检测器在两个具有挑战性的数据集上表现出卓越的准确性和速度。
multi-view face detectionfust detection frameworkcascade classifiersshape-indexed featuresfacial part prediction
发现论文，激发创造
  • 多尺度级联全卷积网络人脸检测器

    本研究提出一种基于全卷积神经网络的三级级联结构，采用多尺度全卷积网络生成得分图，使用可能区域而非建议直接连接下一级级联，通过使用得分图可以在公共数据集上获得强大的人脸检测性能。

    Sep, 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

  • 多视图自适应融合网络用于三维物体检测

    本文提出了一种基于多视角融合的 3D 目标检测网络，结合了激光雷达鸟瞰视角、激光雷达距离视角和相机视角图像，使用注意力机制和额外任务优化点特征和结构信息，有效地实现了多视角特征的适应性融合，该网络在 KITTI 3D 目标检测数据集上的表现令人满意。

    Nov, 2020

  • 基于 FLAME 的多视图 3D 人脸重建

    通过将多视图训练框架与面部参数模型 Flame 相结合，本论文旨在实现更好的面部 3D 重建质量，提出了一个多视图训练和测试模型 MFNet（多视图 Flame 网络）。通过建立自监督训练框架，引入多视图光流损失函数和面部标志损失等约束，最终获得了完整的 MFNet。基于 AFLW 和 facescape 数据集以及模拟实际场景拍摄的面部照片，我们在尽可能模拟实际情况的同时重建了 3D 面部，并取得了良好的结果。本研究主要解决了将面部参数模型与多视角面部 3D 重建相结合的问题，并探索了基于 Flame 的多视图训练和测试框架的实现，对于面部 3D 重建领域有一定的贡献。

    Aug, 2023

  • 一个生物合理的层次结构能否有效地替代人脸检测、对齐和识别流程？

    通过局部敏感哈希的投票方案 “碰撞一致性” 的共识来实现非约束性人脸识别，无需面部检测和对齐，同时取得与最优系统相同的性能。

    Nov, 2013

  • 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

  • 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

  • 用于单阶段人脸检测的特征聚合网络

    本文中，我们提出了一种名为 FANet 的新型单阶段人脸检测器，它不仅实现了最新的性能，而且运行效率高。此外，我们还提出了一种分层损失来有效地训练 FANet 模型，并在几个公共人脸检测基准测试集上评估了所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，在这些基准测试集上都获得了最新的结果。

    Dec, 2017

  • 快速准确场景分割的语义流

    本文提出了一种名为 'Flow Alignment Module' 的方法，通过学习场景不同层级之间的语义流，并将高层次特征有效和高效地广播到高分辨率特征，使得在轻量级骨干网络上如 ResNet-18 表现卓越，在 Cityscapes 数据集上获得了 80.4% 分割精度，时速达到 26FPS。

    Feb, 2020

  • 使用体积采样进行拓扑一致的多视角人脸推断

    该论文提出了一种名为 ToFu 的几何推理框架，它使用一种体积表示法来生成面部网格，可以跨面部身份和表情产生具有拓扑一致性的网格。该方法通过考虑面部几何学特征，采用从粗到细的神经网络结构来实现稠密准确的面部网格预测，并在 pore-level 几何细节方面捕捉位移图，以生成高质量的渲染效果。

    Oct, 2021