CVPRFeb, 2018

一种用于非约束性 2D 人脸对齐的树突卷积神经网络中解离 3D 姿势的方法

PDF
TL;DR本文提出了一种名为 PCD-CNN 的单一树突 CNN，使用分类网络和模块化分类网络训练，并通过贝叶斯公式显式解缠图像姿态与面部肢解点。经过广泛实验表明，本论文的方法能够通过姿态编码减少错误率，优于目前极具挑战性数据集的最先进方法（如 AFLW，AFW，COFW 和 IBUG）15％的误差。
发现论文，激发创造
  • 使用卷积神经网络进行 3D 姿态回归

    该研究通过 CNN 回归框架提出了适当的表示、数据增强和损失函数来捕捉姿态空间的几何信息，将 3D 姿态估计问题转化为回归问题，并在 PASCAL3D + 数据集上得到与同类最优方法相当的性能表现。

    Aug, 2017

  • 使用单个 CNN 进行姿态不变人脸对齐

    本文提出了一种新的 CNN 层，称为可视化层，能够与不同损失函数联合优化，减小了训练时间并提高了面部对齐的准确性。

    Jul, 2017

  • 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

  • 野外多任务头部姿态估计

    通过深度学习的多任务方法，提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构，相比现有技术，在头部姿势和可见性方面均取得了最佳表现，在人脸对准方面也达到了和现有技术同等的状态。

    Feb, 2022

  • 使用深度多姿态表示进行人脸识别

    使用多个面向姿态的深度学习模型进行人脸识别，其中处理面部图像生成多个具有不同姿态特点的卷积神经网络特征，并使用这些特征的集合来减少对姿势变化的敏感性。在多个实验中，我们展示了该方法在人脸识别任务的表现优于现有技术。

    Mar, 2016

  • 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

  • 基于卷积部位热图回归的人体姿态估计

    本研究利用卷积神经网络进行人体姿态估计，通过利用关系和空间上下文，提出了一种特殊的 CNN 级联架构，并能够在部分遮挡的情况下，鲁棒地推断姿势，该级联架构能够指导网络集中精力在图像的哪个位置，并明确编码部分限制和上下文约束，并能够应对遮挡。我们的级联结构表现出色，能够在 MPII 和 LSP 数据集上取得最佳的表现。

    Sep, 2016

  • 相机定位的场景标记检测改进

    基于场景地标检测的摄像头定位方法，采用卷积神经网络（CNN）检测少量特定的场景 3D 点或地标，并从相关的 2D-3D 对应中计算摄像头姿态，具有与基于 3D 结构的方法相当的准确性，但速度更快且使用存储空间更少。

    Jan, 2024

  • 密集人脸对齐

    本文提出一种利用 CNN 进行 3D 面部形状估计的方法，实现了对于姿态变化较大的大角度面部图像的高精度、稠密三维对齐。

    Sep, 2017

  • DeepHMap++：结合投影分组和对应关系学习的全自由度姿态估计

    本文提出一种基于卷积神经网络的 2 阶段模型，采用投影分组和对应关系学习方法预测物体位姿，优于现有的其他方法。

    Apr, 2019