MMAug, 2017

层次循环转换器网络实现无限制时尚地标检测

PDF
TL;DR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。
fashion landmarksvisual representationdeep landmark networkunconstrained landmark databasereal-world fashion analysis
发现论文，激发创造
  • 野外时尚地标检测

    本文提出了一种时装关键点检测技术，结合卷积神经网络算法并使用时装关键点数据集，在时尚属性预测和服装检索等应用中证明了其有效性和较强的区分度。

    Aug, 2016

  • 全局 - 局部嵌入式模块用于时尚关键点检测

    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

  • 时装地标检测的布局图推理

    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

  • 深度变形网络用于物体的关键点定位

    本文提出了一种新型的级联框架 —— 深度变形网络（DDN），用于定位非刚性物体中的标志物。DDN 能够在卷积神经网络（CNN）框架中融合几何约束，同时具有训练的简易和效率以及应用的广泛性。

    May, 2016

  • 使用姿态引导的二阶段聚类进行无监督地标发现的自训练

    使用自训练、聚类和伪标注方法，通过扩展传播模型的潜在特性，提出的无监督地标发现方法在多个基准测试中明显优于现有方法。

    Mar, 2024

  • 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

  • 基于人体点云的三维特征点检测：一个基准和双级级联点变换器框架

    本篇论文介绍了一种在人体点云上进行三维关键点检测的挑战，并提出了一种名为 Dual Cascade Point Transformer (D-CPT) 的模型，该模型通过级联的 Transformer 解码器逐步优化关键点，在本地区域使用 RefineNet 增强关键点坐标，通过在 HPoint103 和公共数据集 DHP19 上进行对比评估，验证了我们的 D-CPT 模型在关键点检测方面的显著性能优势，并表明将我们的 RefineNet 集成到现有方法中可以持续提高性能。

    Jan, 2024

  • 构造感知完全卷积神经网络的对抗学习用于地标定位

    通过结构感知的全卷积网络以及 GAN 的显式 / 隐式学习策略，该论文提出了一种解决单目图像中姿态估计问题的方法，并在 2D 和 3D 姿态估计以及人脸重要标识等相关任务上显著优于现有方法。

    Nov, 2017

  • 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

  • 人脸关键点检测的基准焦点增强

    通过使用深度学习方法和图像增强技术，本文提出了一种有效的面部特征检测方法，采用 Siamese 架构和 Transformer + CNN 网络作为骨干结构，通过高级特征表示的集合学习来改善面部特征检测的性能。经过大量实验证明，该方法在各种基准数据集上优于多种最新方法。

    Feb, 2024