热力面部标记追踪
本研究提出了一种新的技术 ——Facial Landmark Heatmap Activated Multimodal Gaze Estimation (FLAME),通过使用眼部解剖信息结合眼睛地标热图来获得精确的注视估计,从而克服了人体解剖差异的问题,而不需要任何人特定的标定。研究评估表明,本方法在 ColumbiaGaze 和 EYEDIAP 的基准数据集上具有竞争性能,并进行消融研究以验证方法的有效性。
Oct, 2021
通过实验证明,Lite-HRNet Plus 在人脸标志物检测领域取得了比传统方法更高的准确性,并在 10M FLOPs 的计算复杂性范围内实现了最新的准确性。
Aug, 2023
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
本文提出了一种新的基于连续分布的热图编码与解码方法以及引入 Siamese-based 训练策略,显著提高了面部特征定位的准确度,并在多个数据集上取得了新的最先进结果。
Nov, 2021
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
动物情感计算领域的重要挑战之一是缺乏高质量的数据集,本文提出了一个以猫脸图像为基础的新数据集,并通过使用面部标志检测卷积神经网络模型,在猫脸上取得了优异性能,同时该模型也具有推广到人脸标志检测的潜力。
Oct, 2023
本文提出了一种深度结构化面部标记检测方法,该方法使用深度卷积网络和条件随机场相结合,能够在面部标记检测上取得比现有技术更卓越的性能,特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。
Oct, 2020
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
本文提出了使用深度卷积神经网络结合面部标志信息来估计面部属性的新方法,并在新的面部属性数据集上进行了实证分析,结果显示该方法相对于基线方法在多个面部属性上均有显著提升。
May, 2016
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