Lite-HRNet Plus:快速准确的面部关键点检测
本文提出了 Pixel-in-Pixel Net(PIPNet) 对面部关键点检测的改进方法,旨在解决热图回归模型在计算效率、全局模型约束和域差异等方面的问题。实验表明,该模型在三个受监督学习的基准测试中均具有最先进的表现,而在两个跨领域测试集上的结果也得到了明显改善。同时,PIPNet 的轻量级版本在 CPU 和 GPU 上分别以 35.7 和 200 FPS 的速度运行,仍然保持了与最先进方法的竞争精度。
Mar, 2020
本研究提出了一种基于静态图片实现的轻量级算法,用于实时进行人脸表情识别、情绪分类和特征提取。 Multi-Layer Perceptron (MLP) 神经网络是基于前面的算法进行训练的,提取几何和纹理特征,生成特征向量,用于训练三层 MLP,其测试准确度达到 96%。
Jan, 2022
本论文提出了高效高分辨率网络 Lite-HRNet,通过条件通道加权替代 shuffle blocks 中的昂贵的逐点(1x1)卷积来提高轻量级网络,对人体姿势估计和语义分割任务都能提供卓越的结果。
Apr, 2021
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
使用深度卷积神经网络 (CNN) 的 HyperFace 算法能够同时进行面部检测、标志定位、姿势估计和性别识别,是一种基于多任务学习的算法,通过融合深度 CNN 的中间层并锁定不同任务之间的协同作用来提高算法的效率和精度,此外,HyperFace 还提供了两个变种:结合了 ResNet-101 模型的 HyperFace-ResNet 和高召回率快速面部检测器的 Fast-HyperFace。
Mar, 2016
通过使用来自红外图像的热图像,利用人脸的重要区域进行面部标志跟踪,忽略了光照和阴影,但显示了主体的温度,通过特定位置上的热量波动反映生理变化,如血液流动和出汗,用于远程判断焦虑和兴奋。本研究进一步尝试了各种模型,包括残差连接、通道和特征关注以及网络组件的并行运作,最佳模型整合了卷积和残差层以及通道自注意层,只需要不到 100,000 个参数。
Nov, 2023
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
通过未标定的 2D 图像在无监督的方式下重建 3D 面部,并针对稠密地标进行预测,该方法在模型大小和计算成本上优于现有方法,并在各种头部姿势和面部变化中展现了高效性。
Aug, 2023
该论文提出了一个实时多任务检测系统,能同时执行面部、面部标志和头部姿势的联合检测,以处理大角度面部姿势挑战,并在多个数据集上验证了其实时性能和有效性。
Sep, 2023
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