Feb, 2019

PFLD：实用的人脸关键点检测器

PDF
TL;DR本文利用加速技术，设计了一个紧凑的人脸特征点检测模型，在不同的自然环境下，如不受限制的姿态、表情、光照和遮挡，取得了很高的检测精度和超快的速度，通过旋转信息的估计进行几何规范化特征定位，同时还采用不同样本权重的一种新误差函数，用于平衡数据不均衡的问题，并在多个面部特征检测数据集上表现出卓越的性能。
facial landmark detectorend-to-end single stage networkacceleration techniquesgeometrical regularizationdata imbalance
发现论文，激发创造
  • 面部、面部特征点和头部姿态联合检测的实时多任务学习系统

    该论文提出了一个实时多任务检测系统，能同时执行面部、面部标志和头部姿势的联合检测，以处理大角度面部姿势挑战，并在多个数据集上验证了其实时性能和有效性。

    Sep, 2023

  • 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

  • LFFD：一款适用于边缘设备的轻量快速人脸检测器

    本文提出了一种针对边缘设备的轻量级和高速人脸检测器，其方法是基于无锚点的一阶段检测，通过重新考虑感受野和有效感受野（ERF）之间的关系来实现多尺度的连续人脸检测。综合实验结果表明，该方法在多个数据集上取得了更高的准确度和更快的推断速度。

    Apr, 2019

  • 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

  • 用于野外环境下的人脸关键点鲁棒定位的人脸检测、边界框聚合和姿态估计

    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

  • 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

  • 知道何时放弃：基于 Patch Attention 的选择性级联回归用于实时人脸对齐

    研究了面部关键点估计的准确性和速度问题，提出了一种基于软件的面部关键点姿态估计方法，利用逐步迭代预测回归误差的方法来区分样本，通过多尺度、基于补丁的轻量级特征提取器来进行面部关键点姿态估计，在移动设备 GPU 上实现了实时运行。

    Aug, 2021

  • FacePoseNet：提出无需关键点的人脸姿态校正方法

    通过卷积神经网络在图像强度的作用下，直接准确和稳定地回归头部在三维中的六自由度姿态，进而使用该 FacePoseNet (FPN) 通过替代显式面部标志检测的方法在二维和三维中对齐面部，我们发现在许多情况下，基准检测准确性可能会误导面部对齐方法的比较。我们的 FPN 方法提供了比现有方法更好的 2D 和 3D 面部对齐，并且耗费的计算资源相对较小，是目前用于面部对齐的更快速和准确的方法。同时，我们使用相同的识别管道但不同的面部对齐方法来评估它们对 IJB-A 和 IJB-B 基准测试的面部识别准确性的影响。

    Aug, 2017

  • FreeEnricher: 无需额外成本的人脸关键点增强

    本研究提出了一种通过现有的稀疏特征点数据集来丰富面部特征点密度的框架，具有弱监督的学习改进能力和适应扩展的特征点，最终在已有的面部对准网络中作为即插即用模块应用，可以在不增加成本的情况下提供最先进的测试精度。

    Dec, 2022

  • GoDP: 大范围优化的双通道系统用于野外人脸关键点定位

    提出了一种基于 Globally Optimized Dual-Pathway (GoDP) 深度架构的人脸定位方法，并通过多个人脸数据库的实验表明，该方法相比基于级联回归的方法更加优越。

    Apr, 2017