拉普拉斯地标定位
本文介绍了一种基于BB-FCN神经网络的人脸关键点定位方法,能够在未经分割的复杂背景下快速准确地定位关键点,模型在面部区域已知或“野外”场景下均表现出卓越的性能。
Jul, 2015
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
本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务,利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法,通过模型预测图片上的等变地标来提高地标定位,本文在两个玩具数据集和四个实际数据集上进行实验,包括手和脸部, 并在只有5%标记图像的条件下,跑过了之前在AFLW数据集上的最新state-of-the-art算法。
Sep, 2017
本文提出了一种新的损失函数 Wing loss,用于通过卷积神经网络实现面部关键点的鲁棒定位。通过对比 L2、L1 和平滑 L1 等不同的损失函数,并分析这些损失函数,结论是对于基于 CNN 的定位模型训练,应更加关注小和中等范围的错误。针对此问题,提出了一种分段损失函数 Wing loss,并通过姿态数据平衡的策略解决了训练集中具有大偏转的数据不足的问题。最后,将该方法扩展为一种用于鲁棒面部关键点定位的两阶段框架,并在 AFLW 和 300W 上进行了实验验证,结果表明 Wing loss 的优越性以及该方法的超越了现有技术的水平。
Nov, 2017
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。
Feb, 2019
本文提出一种基于深度学习的新型概率模型,解决人脸关键点检测中存在的语义模糊问题,并提出了全局热力图校正单元进行精确定位,并通过图像和视频数据库的实验证明本文方法能够显著提高人脸关键点检测的精确性。
Mar, 2019
本文提出了 Pixel-in-Pixel Net(PIPNet) 对面部关键点检测的改进方法,旨在解决热图回归模型在计算效率、全局模型约束和域差异等方面的问题。实验表明,该模型在三个受监督学习的基准测试中均具有最先进的表现,而在两个跨领域测试集上的结果也得到了明显改善。同时,PIPNet的轻量级版本在CPU和GPU上分别以35.7和200 FPS的速度运行,仍然保持了与最先进方法的竞争精度。
Mar, 2020
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
本文提出了一种新的基于连续分布的热图编码与解码方法以及引入Siamese-based训练策略,显著提高了面部特征定位的准确度,并在多个数据集上取得了新的最先进结果。
Nov, 2021