CVPRJul, 2019

移动 GPU 上亚毫秒级神经脸部检测

PDF
TL;DRBlazeFace 是一个轻量且表现良好的人脸检测器，适用于移动 GPU 推理，能够以 200-1000+FPS 的速度运行。它可应用于需要准确面部区域的增强现实流水线，作为 2D / 3D 面部关键点或几何估计，面部特征或表情分类以及面部区域分割的输入。我们的贡献包括一个轻量级的特征提取网络、一个从 SSD 修改的 GPU 友好型锚点方案以及一种改进的连接决策策略。
face detectormobile gpu inferenceaugmented realityfacial keypointface region segmentation
发现论文，激发创造
  • BlazePose：设备端实时人体姿态追踪

    BlazePose 是一种轻量级的卷积神经网络架构，用于实时推理移动设备上的人体姿势估计，主要贡献是提出了一种新颖的身体姿势追踪解决方案和一个使用热图和回归来估计关键点坐标的身体姿势估计神经网络。

    Jun, 2020

  • 使用移动 GPU 从单目视频实时获取面部表面几何信息

    本文提出了一种基于神经网络的端到端模型，从单个摄像头输入中推断出人脸的近似 3D 网格表示，适用于 AR 应用程序。该模型具有相对密集的 468 个顶点网格模型，非常适合基于人脸的 AR 效果。该模型在移动 GPU 上具有超级实时推断速度（100-1000+FPS，取决于设备和模型变体），并且预测质量与同一图像的手动注释的变化相当。

    Jul, 2019

  • FaceBoxes: 一个高精度的 CPU 实时人脸检测器

    该研究提出了一种名为 FaceBoxes 的新型人脸检测器，其网络结构采用了轻量级但强大的 RDCL 和 MSCL，实现了 CPU 上的实时速度和高性能的检测，同时还具有新的锚定点密集化策略，并在多个人脸检测基准数据集上呈现出最新的检测性能。

    Aug, 2017

  • MobiFace: 移动设备上轻量级深度学习人脸识别

    本研究提出了一种名为 MobiFace 的轻量级深度神经网络，可在移动设备上进行人脸识别，并在某些情况下表现出与大型深度网络的竞争力。

    Nov, 2018

  • MobileFaceNets：基于移动设备实时高准确度人脸验证的高效卷积神经网络

    本文提出了 MobileFaceNets 类的 CNN 模型，其使用不到 100 万个参数，专为移动和嵌入式设备上的高准确度实时人脸验证而设计，并成功解决了普通移动网络在人脸验证方面的弱点，达到了与数百 MB 大小的最新大型 CNN 模型相媲美的高精度和更多超过 MobileNetV2 2 倍的实际加速。

    Apr, 2018

  • 面向边缘设备的高效人脸识别模型

    本文介绍了 EdgeFace，这是一种轻量级高效的人脸识别网络，它结合了 CNN 和 Transformer 模型的优势，使用低秩线性层优化了计算性能，适用于边缘设备，并在多个领域取得了理想的人脸识别结果。

    Jul, 2023

  • Attention Mesh: 实时高保真面部网格预测

    提出了使用注意力机制的轻量级 3D 人脸网格预测体系结构 ——Attention Mesh。 在手机上实现实时推断，能够高度准确地标记出眼睛和唇部等面部区域，可用于 AR 化妆，眼动追踪和 AR 操纵等应用。其主要贡献是，提出了一种统一的网络体系结构，在保证面部特征点准确性不降低的情况下，比多阶段级联方法快 30％。

    Jun, 2020

  • CenterFace: 采用人脸作为点的联合人脸检测与对齐

    该论文提出了一种名为 CenterFace 的一阶段方法，可在有限的存储空间和低计算能力的边缘设备上以实时速度和高精度同时预测面部框和地标位置，其可以优秀地应用于人脸检测和对齐等场景。

    Nov, 2019

  • 面向移动设备的实时自动人像抠图

    通过使用基于多分支扩张卷积的线性瓶颈块的模型 MMNet，我们解决了移动设备上自动人像抠图的问题，实现了实时推断，而且性能下降很小，比现有技术更快。

    Apr, 2019

  • FDLite: 单阶段轻量级人脸检测网络

    本文提出了一种定制的轻量级背骨网络 (BLite) 和一种轻量级人脸检测器 (FDLite)，采用常用的损失函数和学习策略进行训练，并在 WIDER FACE 验证数据集的不同子集上分别达到了 92.3%、89.8% 和 82.2% 的平均准确率 (AP)。

    Jun, 2024