- 眼神追踪估计模型分析
探讨了利用机器学习技术进行眼部凝视估计的技术,论文中提出了在不受限制的场景下,通过使用眼部地标来预测凝视方向的方法,并讨论了采用合成数据进行眼部地标本地化训练的学习方法,并提出了使用该模型进行个性化凝视估计的方法。
- 使用 Few-shot Deep Adaptive Graph 进行 X 射线图像的可伸缩半监督地标定位
本文提出一种基于 few-shot DAG 的半监督扩展方法,使用带 SSL 机制的教师 - 学生训练模型,在局部匹配中使用 JS 散度法来规范中间特征图的一致性,该方法在盆骨、手和胸部的地标检测任务中评估,结果较之前方法有显著提升。
- MaskFace: 多任务人脸及关键点检测器
本文介绍了一种名为 MaskFace 的高精度人脸和关键点检测模型,该模型通过多任务模型同时解决人脸检测和关键点定位问题,并在多个任务数据集上实现了良好的性能。
- AAAI微小人脸的联合超分辨率与对齐
本文提出一种联合对齐和超分辨率网络,通过共享深度编码器提取特征,实现同时检测面部标记和超分辨率。实验证明,该模型在检测微小面部标记和超分辨率方面优于现有方法。
- ICCV使用沙漏网络实现膝关节解剖标志定位的方法
本文提出一种高效的卷积神经网络框架并引入特定的正则化和损失函数去解决骨关节炎各个阶段膝部 X 光图像解剖标志定位的问题,并且通过转移学习来提升定位精度。实验验证表明该方法在各个阶段的骨关节炎中具有比先前方法更好的泛化性能。
- ICCV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 AFL - 学习在非受限环境下寻找眼部关键点以进行远程凝视估计
本文提出了一种基于学习的方法来进行眼部标志点的定位,采用该方法能够在未受控制的真实环境下较之传统方法更具优势,在个性化视线估计场景中性能优越。
- CVPR一种用于非约束性 2D 人脸对齐的树突卷积神经网络中解离 3D 姿势的方法
本文提出了一种名为 PCD-CNN 的单一树突 CNN,使用分类网络和模块化分类网络训练,并通过贝叶斯公式显式解缠图像姿态与面部肢解点。经过广泛实验表明,本论文的方法能够通过姿态编码减少错误率,优于目前极具挑战性数据集的最先进方法(如 AF - CVPR利用半监督学习改进地标定位
本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务,利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法,通过模型预测图片上的等变地标来提高地标定位,本文在两个玩具数据集和四个实际数 - ECCV深度变形网络用于物体的关键点定位
本文提出了一种新型的级联框架 —— 深度变形网络(DDN),用于定位非刚性物体中的标志物。DDN 能够在卷积神经网络(CNN)框架中融合几何约束,同时具有训练的简易和效率以及应用的广泛性。
- DenseBox: 将关键点定位与端到端目标检测统一
本研究提出了一种基于卷积神经网络的全新框架 DenseBox,可有效地捕捉到多类别物体的边界盒以及物体置信度,同时在多任务学习时结合了关键点定位来进一步提高物体检测精确度,实验结果表明,DenseBox 是目前检测具有挑战性对象(如人脸和汽 - 遮挡一致性:检测和定位被遮挡的人脸
本文提出了一种分层可变形部件模型,用于面部检测和地标定位,能够明确地模拟部件遮挡,这允许我们使用大量的合成遮挡样本数据,以灵活地整合遮挡模式的统计,从而使检测系统在顶部准确性方面胜过传统系统,同时在未遮挡的情况下保持了竞争力。