基於回歸的眼睛特徵提取中的標準化有效性分數
我们提出了一个眼睛地标调整模块和一个局部动态损失,以捕捉眼睛区域的动态特征,并灵活调整地标以精确地重建不同的眼睛状态。通过在两个数据集上进行广泛实验,综合评估了我们的方法,结果强调了我们方法的卓越性能,并突出了其在解决这一特殊挑战中的重要贡献。
Jan, 2024
该论文介绍了一种基于几何的方法来解决现有的真实时间凝视估计系统所面临的挑战,利用普通消费级硬件生成准确、稳定的人脸和虹膜的三维地标,从而预测眼睛凝视方向,实现低计算资源要求下的高精度、实时的眼睛凝视估计。
Dec, 2023
这篇论文提出了一种基于级联回归的面部特征点检测方法,能够在面部被遮挡和大幅度侧脸的情况下进行特征点检测,并结合了监督回归方法和遮挡情况加入约束,提高了检测的准确性。
Sep, 2017
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
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
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
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