面部特征点检测的深度结构预测
提出一种新颖的端到端深度架构用于面部标记检测,它基于卷积和反卷积网络,以及经过精心设计的循环网络结构,并在多个基准数据集上得到了比当前最先进方法更卓越的表现。
Oct, 2015
本文介绍了一种结合数据和模型的方法来完成面部关键点的检测,即先利用全卷积网络(Fully Convolutional Network, FCN)来生成脸部所有关键点的响应图,再利用 Point Distribution Model(PDM)生成初始面部形状,最后使用加权变体的正则化关键点均值漂移(RLMS)来微调面部形状,实验表明本文提出的方法在面部表情、头部姿态和部分遮挡等挑战性数据集上都能够取得最好的表现。
Nov, 2016
通过使用深度学习方法和图像增强技术,本文提出了一种有效的面部特征检测方法,采用 Siamese 架构和 Transformer + CNN 网络作为骨干结构,通过高级特征表示的集合学习来改善面部特征检测的性能。经过大量实验证明,该方法在各种基准数据集上优于多种最新方法。
Feb, 2024
本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学(如手、骨盆)标志物检测,该方法结合了局部图像特征和全局形状特征,基于两个图卷积网络(GCNs)学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明,在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。
Apr, 2020
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
本研究旨在评估迁移学习模型,包括 MobileNetV2 和 NasNetMobile,以及自定义 CNN 体系结构,在模型大小、参数和推理时间方面开发高效的深度学习模型,并研究数据增强和微调对这些模型的影响。MobileNetV2 体系结构产生了最低的 RMSE 和推理时间,而以人工优化的 CNN 体系结构与 Auto Keras 调整的体系结构表现类似。
May, 2022
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
我们提出了一种新颖的卷积神经网络,用于面部标志坐标回归。我们调查了训练用于标志检测的标准 CNN 的中间特征,并展示了从更专业的层提取的特征捕获了大致的地标位置。这为在网络中途应用差分处理提供了自然手段,根据面部对齐调整处理。所得的 TCNN 模型,以外观敏感的方式利用 CNN 对标志检测的健壮性,而不用训练多部分或多尺度模型。我们在标准面部标志检测和面部验证基准测试上的结果显示,TCNN 超过了以前发表的表现。
Nov, 2015
本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法,不仅不需要姿态或者地标注释,而且能够探测多个视角下人脸的位置,并且表现出与其他方法相当或优于其他更为复杂的方法。
Feb, 2015