Apr, 2019

DeCaFA: 面部对齐的深度卷积级联网络

PDF
TL;DRDeCaFA 是一种端到端的深度卷积级联体系结构，它使用全卷积阶段保持整个级联的完整空间分辨率，并利用多个链接转移层生成面部对齐任务的每个标记的基于注意力的地标注意力图。通过加权中间监督以及阶段之间的高效功能融合，DeCaFA 可以学习逐步以端到端的方式细化注意力图。结果表明，DeCaFA 在 300W，CelebA 和 WFLW 数据库上显着优于现有方法。此外，研究表明 DeCaFA 能够利用粗略注释数据从极少量图像中学习良好的对齐。
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

  • 全姿态范围下的人脸对齐：三维全方位解决方案

    本文提出了一种新的面部对齐框架，称为 3D Dense Face Alignment (3DDFA)，其中使用级联卷积神经网络将密集 3D 可变形模型（3DMM）配合到图像中。本文还利用 3D 信息合成正面视图和侧面视图的面部图像以提供丰富的样本进行训练。在具有挑战性的 AFLW 数据库上的实验表明，所提出的方法比现有技术取得了显着的进步。

    Apr, 2018

  • 通过对齐学习实现端到端的人脸识别

    本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习，以逐步学习出最适合面部识别任务的几何变换和适当的面部区域，从而达到高精度面部识别的目的。

    Jan, 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

  • 人脸对齐的深度回归

    本文介绍一种深度回归方法，包括全局层和多阶段局部层。采用反向传播算法和 Dropout 策略进行联合优化。实验证明，该方法逐步且平均地逼近真实的人脸关键点，避免了早期回归器过强和后期回归器过弱的情况，最终取得了最先进的效果。

    Sep, 2014

  • 面部属性分类的级联卷积神经网络多任务学习

    提出了一种基于多任务联合训练的级联卷积神经网络方法（MCFA），用于同时预测多个面部属性，该方法采用新颖的动态加权方案自动为每个面部属性分配损失权重，实现粗到细的联合训练，能够实现端到端优化。实验结果表明，该方法在 CelebA 和 LFWA 数据集上优于几种最先进的 FAC 方法。

    May, 2018

  • 跨大姿态的人脸对齐：一种三维解决方案

    提出了一种新的 3D 密集面部对齐框架 (3DDFA)，通过卷积神经网络 (CNN) 将密集的 3D 面部模型拟合到图像中，解决了面部对齐中的圆形视图问题，面部外观变化剧烈问题和面部关键点标记困难问题，并通过在 profile 视图下合成大规模训练样本来解决关键点标记困难问题，并在具有挑战性的 AFLW 数据库上实验，证明我们的方法明显优于现有最先进方法。

    Nov, 2015

  • 用于非对齐人脸属性分类的深级联网络

    本文提出了一个级联网络，同时学习了特定属性的面部区域定位和无需对齐的属性分类，使用多网路学习方法和基于提示的模型压缩进一步提高了模型性能。在未对齐的 CelebA 数据集上，与最先进的方法相比，分类错误率降低了 30.9％。

    Sep, 2017

  • 从粗到细学习人脸对齐的深度表示

    本文提出了一种新的人脸对齐方法，该方法使用深度卷积网络从粗到细进行训练，将关键点分为主要子集和详细子集，并逐渐减小主要子集的权重，使两个子集具有相等的权重。在 COFW 数据集上取得了 6.33% 的平均误差，相较于最佳结果 [2] 减少了 21.37%。

    Jul, 2016

  • 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