在显著头部姿势和遮挡下的强韧面部标记检测
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
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
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
研究提出了一种基于鲁棒受限局部模型的集成,用于面部对齐,可以在存在显着遮挡和任何未知的姿势和表情的情况下实现。通过假设和测试搜索来评估occlusion,结果表明在测试集中表现出一定的鲁棒性。
Jul, 2017
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
本研究提出了自我迭代回归框架,通过Landmarks-Attention网络作为回归器,将级联回归方法中的多个回归器替换为一个自我迭代回归器,从而显着减少了模型参数,提高了模型效率。实验结果表明,该方法仅需3.72M模型参数即可达到最先进的性能水平。
Mar, 2018
综述了面部关键点检测算法的发展历程,将其分为三种不同的分类方法:全局方法、约束局部模型方法和回归方法,并对其进行了分类讨论,比较了它们在受不同因素影响下的性能表现。此外,还列举了面部关键点检测的基准数据库和现有软件,并指出了未来的研究方向。
May, 2018
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