基于14万路分类器的蛮力人脸特征分析
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
该研究提出了一种级联的面部对齐算法,其中每个级别都由回归专家的混合组成,该系统不受预定义类别的变换的影响,并且可在鉴别对准框架中包含形变约束,从而使该算法更加稳健。
Nov, 2015
本文研究了非常深层神经网络在现有的2D和3D人脸对齐数据集中实现饱和性能的距离。通过构建一个强大的基线,创建引导2D标记的网络并创建最大的和最具挑战性的3D人脸标记数据集LS3D-W,训练和评估神经网络,并探究大小等因素的影响,该研究证明2D和3D人脸对齐网络均实现了接近饱和性能的显著高精度水平。
Mar, 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
本文提出了一种自我强化策略,通过评价人脸局部外观和全局几何的一致性来迭代扩展和改进训练样本的质量和数量,通过一组具有鉴别性的分类器来修剪不一致的局部外观的示例,并验证标记地标组之间的几何关系。经实验证明,这种方法对于从小子集开始预测好的示例在几个基准数据集上具有很好的效果。
Nov, 2017
本文提出了一种风格聚合的方法,通过生成敌对网络将原始人脸图像转换为风格聚合图像,以处理面部关键点检测中图像样式的巨大内在变化,结果表明我们的算法在AFLW和300-W等基准数据集上与最先进的算法相比表现良好。
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
本文提出了一种新颖的框架用于联合预测特征点位置、这些特征点位置的不确定性和特征点可见性,使用深度网络学习这些变量,通过我们提出的 Location, Uncertainty, and Visibility Likelihood (LUVLi) 损失进行估计。通过对 19000 张面部图像进行重新标记,我们的方法不仅能够准确预测特征点位置的不确定性,而且在多个标准的面部特征点数据集中也能得到最先进的预测结果,我们方法的预测可以被用来自动识别面部特征点无法准确估计的图像,这对于下游任务是至关重要的。
Apr, 2020
通过使用标记的真实人脸和未标记的风格化人脸,我们提出了一个简单但有效的方法来学习具有普适性的人脸关键点定位器,该方法通过条件人脸变形器的关键模块来学习人脸关键点定位器,从而为对应的风格化人脸图像提供高质量的伪关键点,从而实现了在人脸关键点定位任务中优于现有最先进领域适应方法的普适性人脸关键点定位器。
Apr, 2024