带有反卷积分支的卷积树：利用几何关系进行单阶段关键点检测
计算机视觉与模式识别
2017-04-07 v1
摘要
近期，深度卷积网络已被应用于人脸对齐任务，并展现出学习改进特征表示的潜力。尽管更深的网络层能够捕捉姿态等抽象概念，但在 DCNN 中很难捕捉关键点之间的几何关系。本文提出了一种用于面部关键点检测的新型卷积-反卷积网络。我们的模型在利用不同关键点之间空间关系的同时，预测关键点的 2D 位置及其各自的可见性以及 3D 头部姿态。与现有的对这些关系进行建模的方法不同，我们提出了可学习的变换函数，在特征层面捕捉关键点之间的关系。然而，由于姿态变化广泛，并非所有这些关系都同时起作用，因此我们提出了一种基于姿态的路由函数，隐式地对活跃的关系进行建模。变换函数和路由函数均通过多任务框架中的卷积实现。我们的方法提出了一种单阶段关键点检测方法，使其有别于许多现有的基于级联回归的方法。我们还表明，学习这些关系显著提高了来自 AFW 和 AFLW 等具有挑战性数据集的野外人脸图像的关键点检测精度。
引用
@article{arxiv.1704.01880,
title = {A Convolution Tree with Deconvolution Branches: Exploiting Geometric Relationships for Single Shot Keypoint Detection},
author = {Amit Kumar and Rama Chellappa},
journal= {arXiv preprint arXiv:1704.01880},
year = {2017}
}