ACR Loss:用于人脸对齐的基于坐标的自适应回归损失
计算机视觉与模式识别
2022-09-16 v2
摘要
尽管深度神经网络在解决人脸对齐问题上已取得合理的精度,这仍是一项具有挑战性的任务,尤其当我们处理遮挡或极端头部姿态下的面部图像时。基于热力图回归(HBR)与基于坐标回归(CBR)是人脸对齐两种主要使用的方法。CBR 方法所需计算机内存更少,但其性能不及 HBR 方法。本文中,我们提出一种自适应基于坐标回归(ACR)损失以改善 CBR 在人脸对齐中的精度。受主动形状模型(ASM)启发,我们生成 Smooth-Face 对象,即一组相比真值关键点具有更小变化的面部关键点。随后我们引入一种方法,通过比较真值关键点与相应 Smooth-Face 对象的分布来估计网络预测每个关键点的难度水平。我们提出的 ACR Loss 能够根据面部中每个关键点的预测难度自适应地修改其曲率及损失的影响。据此,ACR Loss 引导网络更多关注困难点而非简单点,从而提升人脸对齐任务的精度。我们广泛的评估显示了所提 ACR Loss 在各种面部图像中预测面部关键点的能力。
引用
@article{arxiv.2203.15835,
title = {ACR Loss: Adaptive Coordinate-based Regression Loss for Face Alignment},
author = {Ali Pourramezan Fard and Mohammad H. Mahoor},
journal= {arXiv preprint arXiv:2203.15835},
year = {2022}
}
备注
Accepted in International Conference on Pattern Recognition (ICPR) 2022