基于周期性自我调节的人脸分割解耦多任务学习

Mar, 2022

基于周期性自我调节的人脸分割解耦多任务学习

Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing

Qingping Zheng, Jiankang Deng, Zheng Zhu, Ying Li, Stefanos Zafeiriou

TL;DR本文提出了一种新的 Decoupled Multi-task Learning with Cyclical Self-Regulation (DML-CSR) 方法来解决人脸分割中产生的空间不一致和边界混淆的问题，该方法包括面部解析、二元边缘和类别边缘检测任务，采用动态双图卷积神经网络、边缘检测等技术来改进现有方法，并提出了周期性自调谐机制来避免噪声标签对模型泛化性能的影响。实验证明，该方法在 Helen、CelebAMask-HQ 和 Lapa 数据集上取得了新的最高性能。

Abstract

This paper probes intrinsic factors behind typical failure cases (e.g. spatial inconsistency and boundary confusion) produced by the existing state-of-the-art method in face parsing. To tackle these problems, we propose a novel Decoupled →

face parsing multi-task learning graph convolutional network edge detection self-regulation

发现论文，激发创造

自监督多层面部模型学习，在超过 250 Hz 的单目重建中

本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法，其结合了 3D 可塑模型（3D Morphable Model）的优点和学习校正空间的空外推广优点。

Dec, 2017

人类解析自我纠正

该研究使用了自校准策略（SCHP）来提高人类解析标签的可靠性，从而更好地训练模型并取得 LIP 挑战的第一名。

Oct, 2019

利用训练数据增强和模糊集样本加权的动态注意力控制级联形状回归

本文提出了一种新的级联形状回归、动态注意力控制级联形状回归 (DAC-CSR) 的架构，用于非约束性人脸的鲁棒性面部关键点检测，包括人脸边界框细化、一般 CSR 和注意力控制 CSR。使用在线动态模型选择方法选择适当的面向域的 CSR 进行关键点的细化，DAC-CSR 的关键创新在于容错机制，使用模糊集样本加权进行注意控制域特定模型的训练。此外，我们提倡使用简单但有效的二维剖面面部生成器和上下文感知特征提取以更好地代表面部特征。实验结果表明，我们的 DAC-CSR 相对于现有技术具有更好的性能。

Nov, 2016

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

自我学习修正策略在人体解析中的应用

本文提出了一种可训练的图推理方法，用于解决解析人体时的样本缺乏问题，并且在 LIP 和 ATR 数据集上得到了显著提高。

Apr, 2020

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

面部解析的边缘感知图表示学习和推理

本文提出一种采用图表示法学习面部解析的方法，通过对面部不同区域之间的关系进行建模和推理，并利用区域之间的边缘信息进行优化抽象，较好地完成了对面部图像的细分割。