GoDP: 大范围优化的双通道系统用于野外人脸关键点定位
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
本文利用加速技术,设计了一个紧凑的人脸特征点检测模型,在不同的自然环境下,如不受限制的姿态、表情、光照和遮挡,取得了很高的检测精度和超快的速度,通过旋转信息的估计进行几何规范化特征定位,同时还采用不同样本权重的一种新误差函数,用于平衡数据不均衡的问题,并在多个面部特征检测数据集上表现出卓越的性能。
Feb, 2019
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
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
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
本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学(如手、骨盆)标志物检测,该方法结合了局部图像特征和全局形状特征,基于两个图卷积网络(GCNs)学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明,在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。
Apr, 2020
该论文提出了一个实时多任务检测系统,能同时执行面部、面部标志和头部姿势的联合检测,以处理大角度面部姿势挑战,并在多个数据集上验证了其实时性能和有效性。
Sep, 2023
这篇论文提出了一种基于级联回归的面部特征点检测方法,能够在面部被遮挡和大幅度侧脸的情况下进行特征点检测,并结合了监督回归方法和遮挡情况加入约束,提高了检测的准确性。
Sep, 2017
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
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