Dec, 2018

基于双变形器的堆叠稠密 U-Net 网络用于鲁棒性人脸对齐

PDF
TL;DR我们提出了一种基于堆叠密集 U-Nets 的人脸关键点检测模型，采用新颖的网络结构和协同损失函数，通过变形卷积实现空间不变性，并在多个真实场景数据集上验证了模型的鲁棒性和在 3D 人脸识别方面的应用。
facial landmark localisationdeep convolutional neural networksstacked dense u-netsextreme poses3d face alignment
发现论文，激发创造
  • 使用多任务级联卷积网络进行联合人脸检测和对齐

    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

  • 野外多视图人脸对齐

    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

  • 用于高效地标定位的量化密集连接 U-Net

    本文提出了针对视觉地标定位的量化密集连接 U-Nets，通过采用 order-K 密集连接，并使用内存高效的实现来提高训练效率，以及使用低位宽数字量化权重、输入和梯度来降低内存消耗和高精度操作，实现了比其他基准定位器使用约 70% 更少参数、98% 更小的模型尺寸以及节省约 75% 训练内存的优异定位精度。

    Aug, 2018

  • 堆叠 U-Net：自然图像分割的无花样方法

    本文提出了堆叠 U-Net（SUNet）通过反复迭代不同分辨率尺度的特征来维护分辨率，并利用 U-Net 的信息全球化能力在更深的网络结构中，能够处理自然图像的复杂性，在少量参数的情况下在语义分割任务上表现极佳。

    Apr, 2018

  • 深度对齐网络：用于鲁棒性人脸对齐的卷积神经网络

    本文提出了一种基于深度神经网络结构的鲁棒人脸对齐方法 Deep Alignment Network (DAN)，DAN 采用全脸图像进行人脸对齐而非局部补丁，并通过在算法的每个阶段利用地标热图来提供之前阶段的视觉信息，从而使 DAN 处理具有大头姿态变化和困难初始化的面孔图像。我们在两个公开数据集上进行了广泛评估，结果表明 DAN 将失败率的最新技术水平降低了高达 70%。

    Jun, 2017

  • 用于人体姿态估计的叠层沙漏网络

    该研究提出了一种新的卷积神经网络架构来进行人体姿势估计，采用自下而上、自上而下的处理方式及中间监督来提高网络的性能，在 FLIC 和 MPII 基准测试中取得了最先进的成果，并以堆叠沙漏网络总结了该架构的步骤。

    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

  • 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

    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。

    Feb, 2018

  • 基于深度神经网络的端对端三维人脸重建

    该篇论文提出了一种基于深度神经网络的端到端的方法来从单张 2D 人脸图像中进行三维人脸重建，并且利用了多任务损失函数和融合卷积神经网络来提高人脸表情重建的准确性。

    Apr, 2017

  • 用于密集预测任务的密集连接多扩张卷积网络

    本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构，称为 D3Net，其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式，避免了深度网络中的深度耗散问题，并在图像和音频处理任务中取得了优越的性能。

    Nov, 2020