AAAIJul, 2020

AnchorFace：大姿态下基于锚点的人脸特征点检测器

PDF
TL;DR提出一种基于分离和汇聚策略的面部标记定位方法，名为 AnchorFace，通过参考回归锚定模板和聚合结果降低面部姿态变化对结果的影响，在 AFLW、300W、Menpo 和 WFLW 数据集上取得了最先进的成果和高效的推理速度。
facial landmark localizationneural networklarge pose variationssplit-and-aggregate strategystate-of-the-art results
发现论文，激发创造
  • 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

  • MaskFace: 多任务人脸及关键点检测器

    本文介绍了一种名为 MaskFace 的高精度人脸和关键点检测模型，该模型通过多任务模型同时解决人脸检测和关键点定位问题，并在多个任务数据集上实现了良好的性能。

    May, 2020

  • 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

  • 通过发现锚点改善视觉重定位

    本文提出了一种基于深度学习的方法，通过视觉定位，使用锚点来预测场景的位置和摄像机方向或姿态（6 自由度），该方法使用统一定义的锚点并提出了一个深度学习架构，该架构预测场景中存在的最相关的锚点以及相对偏移量，并为该任务提出了一个多任务损失函数，无需基于真实位置信息评定，并在 CambridgeLandmarks 和 7 Scenes 上进行了实验以验证效果。与使用相同的特征提取器的先前最佳深度学习模型 Posenet（具有几何重投影损失）相比，我们的方法提升了室内和室外定位数据集中的中位误差，并在特定情况下，如街景中，将中位误差降低了 8m 以上。

    Nov, 2018

  • 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

  • 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

  • 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

  • 通过分离聚合：半监督风格转换增强人脸关键点检测器

    本文提出一种新的面部标记检测方法，通过使用样式转换来增加每个个体的分离样式和形态空间，得到增强的合成样本，进而构建了一种半监督模型，实现了在 WFLW 数据集上的最先进结果。

    Aug, 2019

  • 在显著头部姿势和遮挡下的强韧面部标记检测

    这篇论文提出了一种基于级联回归的面部特征点检测方法，能够在面部被遮挡和大幅度侧脸的情况下进行特征点检测，并结合了监督回归方法和遮挡情况加入约束，提高了检测的准确性。

    Sep, 2017

  • 拉普拉斯地标定位

    本文提出了一种采用 LaplaceKL 目标和对抗训练框架的深度学习方法，处理具有挑战性数据的面部地标检测技术，并通过使用未标记的数据来提高模型性能，具有实时表现、实用价值，并在所有的 300W 基准测试中取得最佳效果及在人脸地标的 AFLW 数据集中排名第二。

    Mar, 2019