Feb, 2024

人脸关键点检测的基准焦点增强

PDF
TL;DR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。
deep learning methodsfacial landmark detectionimage augmentationsiamese architecturetransformer + cnn-based network
发现论文，激发创造
  • 面部特征点检测的深度结构预测

    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

  • 通过知识蒸馏提高面部标志点检测的准确性和效率

    通过知识蒸馏方法，本研究提出了一种创新的方式，可以开发适用于嵌入式系统的轻量级但功能强大的深度学习模型，以应对面部地标检测任务中的挑战，包括动态环境、不同的表情、方向和光照条件。

    Apr, 2024

  • 使用多任务级联卷积网络进行联合人脸检测和对齐

    该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法，利用深度学习及在线难样本挖掘等技术，在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。

    Apr, 2016

  • PFLD：实用的人脸关键点检测器

    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

  • 利用辅助属性学习人脸对齐的深度表示

    本文提出一种新型的任务约束深度模型，通过学习相互关联的异质性面部属性，如性别、表情和外貌属性，与地标检测问题的联合优化，有效提高了地标检测的鲁棒性。通过广泛的评估，表明所提出的任务约束学习方法不仅在处理具有严重遮挡和姿态变化的面部影像方面优于现有的面部对齐方法，而且与基于级联深度模型的现有方法相比，明显减少了模型复杂度。

    Aug, 2014

  • 重新审视面部关键点检测：使用深度神经网络的高效方法

    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

  • 面部、面部特征点和头部姿态联合检测的实时多任务学习系统

    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

  • 基于数据驱动和模型驱动的面部关键点鲁棒检测

    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

  • 使用深度卷积神经网络进行多视角人脸检测

    本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法，不仅不需要姿态或者地标注释，而且能够探测多个视角下人脸的位置，并且表现出与其他方法相当或优于其他更为复杂的方法。

    Feb, 2015

  • 通过分离聚合：半监督风格转换增强人脸关键点检测器

    本文提出一种新的面部标记检测方法，通过使用样式转换来增加每个个体的分离样式和形态空间，得到增强的合成样本，进而构建了一种半监督模型，实现了在 WFLW 数据集上的最先进结果。

    Aug, 2019