知道何时放弃:基于 Patch Attention 的选择性级联回归用于实时人脸对齐
本文介绍了 Sparse Local Patch Transformer(SLPT)用于学习人脸对齐中的内在关系。该模型通过注意机制从局部补丁中生成每个单独地标的表示,并通过自适应内在关系聚合它们。每个地标的子像素坐标根据聚合特征独立预测,并进一步引入粗到细的框架来与 SLPT 相结合,通过动态调整大小的局部补丁的精细特征,使初始地标逐渐收敛于目标人脸地标。在 WFLW、300W 和 COFW 三个流行基准测试中,该方法得到了实验验证,表明通过学习面部标志之间的内在关系,提出的方法在计算复杂性上工作在最先进的水平。
Mar, 2022
本文利用加速技术,设计了一个紧凑的人脸特征点检测模型,在不同的自然环境下,如不受限制的姿态、表情、光照和遮挡,取得了很高的检测精度和超快的速度,通过旋转信息的估计进行几何规范化特征定位,同时还采用不同样本权重的一种新误差函数,用于平衡数据不均衡的问题,并在多个面部特征检测数据集上表现出卓越的性能。
Feb, 2019
本研究提出了自我迭代回归框架,通过 Landmarks-Attention 网络作为回归器,将级联回归方法中的多个回归器替换为一个自我迭代回归器,从而显着减少了模型参数,提高了模型效率。实验结果表明,该方法仅需 3.72M 模型参数即可达到最先进的性能水平。
Mar, 2018
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
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
本文提出了一种基于半监督学习的方法,其思想是通过无监督学习生成脸部特征并使用转移学习的方式实现面部特征检测,该模型表现出广泛的适应性和高精度,并且在只有十个训练图片的情况下也能保持较高的准确率。
Nov, 2019
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
本文提出了一种基于 MobileNetV1 的轻量级 patch 和 attention 网络,旨在改善面部表情识别(FER)在复杂环境下的性能,实验结果表明,该方法在公共基准数据库上取得了最先进的结果。
Jun, 2023
本文提出了一种用于面部表情识别的新框架,通过使用选择面部补丁的外观特征,使用一对一分类方法来分类每对表情类,提取包含区分特征的显著补丁,并针对不同表情类选择不同的显著补丁,提出了一个自动学习 - 无费用的面部标记检测技术,该技术在不同分辨率下表现稳定,在 CK + 和 JAFFE 面部表情数据库上展示了该系统的有效性。
May, 2015
提出一种有效的基于 patch 的人脸图像质量评估算法,该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素,能够识别最正面、对齐、锐利和照明良好的图像,并在实验中表明在人脸子集的选择方面,该方法优于现有技术,使人脸识别准确度显著提高。
Apr, 2013