Feb, 2020

基于互联卷积神经网络的端到端人脸解析

PDF
TL;DR提出了一种基于 Spatial Transformer Network 的 end-to-end 面部分割框架，称为 STN-iCNN，通过在两个分离的训练阶段之间添加 STN，将原始 two-stage iCNN 连接起来，从而显着提高了面部分割的准确性。
face parsingconvolutional neural networksspatial transformer networkfacial segmentationcomputer vision
发现论文，激发创造
  • 面部解析的联合卷积神经网络

    本文提出采用 iCNN 的两步方法来进行面部解析，其特点在于在互联的层中广泛使用下采样和上采样.

    Jun, 2018

  • 通过循环传播进行人脸解析

    本文提出了结合 CNN 层次表示和基于空间变量递归神经网络的准确标签传播的面部分割算法，能够实现高效的面部图像分析，适用于实时应用。

    Aug, 2017

  • 基于完全卷积连续 CRF 神经网络的人脸解析

    本文提出了一种基于全卷积网络和连续条件随机场的人脸分割方法，并在多个数据集上进行了全面评估，证明了该方法相对于其他方法具有更好的性能。

    Aug, 2017

  • 场景分割的深度反卷积网络

    本研究提出了一种结合深度反卷积神经网络和卷积神经网络的新型神经网络，以实现场景解析。与卷积神经网络相比，反卷积神经网络在学习高阶图像结构方面表现更好。多补丁训练可以从场景中有效地学习空间先验知识。本方法在四个场景解析数据集上均取得了最先进的性能，并具有完全自动化的训练系统，无需后处理。

    Nov, 2014

  • 人脸分析的全功能卷积神经网络

    本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

    Nov, 2016

  • 全卷积神经网络用于人群分割

    本研究提出了一种快速卷积神经网络 (FCNN)，并使用多阶段的深度学习来整合外观和动态线索进行人群分割，成功使用我们自己创建的具有 235 和 11 个场景的人群分割数据集对我们的方法进行了评估。

    Nov, 2014

  • 视频序列中的口罩提取

    通过使用 ConvLSTM-FCN 模型，在视频序列中进行人脸部分的面具分离，利用分割损失函数进行优化，使分割模型在 300VW 数据集上的性能指标平均交并比达到了 63.76%。

    Jul, 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

  • 一种由面部属性预测增强的深度人脸识别网络

    该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

    Apr, 2018

  • 用于实例级人体分析的 Parsing R-CNN

    本文提出了一种名为 Parsing R-CNN 的用于解决实例级人体分析的端到端管道，其通过综合考虑区域方法的特征和人体的外观来同时处理一组人体实例，从而使其非常灵活高效，并在 CIHP（Crowd Instance-level Human Parsing）、MHP v2.0（Multi-Human Parsing）和 DensePose-COCO 数据集上优于所有最先进的方法，也在 COCO 2018 Challenge DensePose Estimation 任务中获得了第一名。

    Nov, 2018