CVPRJun, 2023

STAR Loss：减少面部关键点检测中的语义模糊

PDF
TL;DR提出了一种自适应消除模糊性的 STAR（Self-adaptive Ambiguity Reduction）loss 方法，通过利用预测分布的性质来解决面部关键点检测中的语义模糊问题，并且此方法在 COFW，300W 和 WFLW 的三个基准测试中优于现有最先进的方法。
deep learningfacial landmark detectionsemantic ambiguitystar losspredicted distribution
发现论文，激发创造
  • 语义对齐：寻找面部标志检测中语义一致的真实情况

    本文提出一种基于深度学习的新型概率模型，解决人脸关键点检测中存在的语义模糊问题，并提出了全局热力图校正单元进行精确定位，并通过图像和视频数据库的实验证明本文方法能够显著提高人脸关键点检测的精确性。

    Mar, 2019

  • 基于显著属性的人脸识别语义对抗攻击

    本研究提出了一种新的语义对抗攻击方法 SAA-StarGAN，该方法基于余弦相似度或概率分数预测最重要的面部属性，并改变这些面部属性来进行对抗攻击。实验证明，该方法能够生成多样化和逼真的对抗性面部图像，并能够显著地提高对抗性样本的可迁移性。

    Jan, 2023

  • ADNet：利用误差偏向于人脸对准中的法向量

    本文针对 CNN 在人脸对齐中的误差偏置问题，提出方向不各异损失和不各异关注模块来解决该问题，并将其集成到了一个名为 ADNet 的优化端到端训练管道中，最终在三个数据集中实现了最先进的性能表现。

    Sep, 2021

  • 远程感知的传感器间自我监督训练与校准

    我们介绍了 “X-STARS” 的远程感知数据的跨传感器自监督训练和对齐方法，通过设计多传感器对齐稠密损失（MSAD）来对齐不同分辨率的传感器所表示的数据，从而提高模型在各种数据可用性和分辨率条件下的性能。

    May, 2024

  • Anchor Loss: 基于预测难度调整损失比例

    我们提出了一种新的损失函数，它根据样本的预测难度动态重新调整交叉熵，以解决深度神经网络在图像分类和人体姿势估计中无法准确区分相似对象和对称身体部位的问题。该损失函数惩罚网络以避免虚假预测的分数显著，我们在两种不同的领域中评估它，并发现与基线方法相比，在两个应用程序中都实现了更高的准确性。

    Sep, 2019

  • STARNet：基于近似似然遗憾的传感器可信度和异常识别用于强大边缘自主性

    STARNet 是一种传感器可信度和异常识别网络，旨在检测可能来自传感器故障和 / 或具有挑战环境的不可信传感器流。它在复杂传感器的基础上进行了基准测试，并在检测内部传感器故障和各种测试场景中提高了预测准确度。

    Sep, 2023

  • LA-Net: 面部表情识别中基于地标的可靠学习

    提出一种名为 Landmark-Aware Net（LA-Net）的新型面部表情识别模型，利用面部标记从两个角度降低标签噪声的影响，通过邻域聚合构建每个样本的标签分布，并使用表情 - 标记对比损失将标记信息融入表情表示中，以提高培训监督质量，并在野外数据集和合成噪声数据集上展示了最先进的性能。

    Jul, 2023

  • 用于强健 SAR 车辆识别的分层去纠缠网络

    本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

    Apr, 2023

  • 自适应翼形损失在通过热图回归实现稳健人脸对齐中的应用

    该论文提出了适应性翼形损失函数和加权损失映射以及其他一些方法，用于提高热图回归定位面部关键点的准确性，并在不同的基准测试中显著优于现有方法。

    Apr, 2019

  • 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