AGRNet：面向人脸解析的自适应图表示学习与推理
计算机视觉与模式识别
2021-10-13 v3 人工智能
摘要
人脸解析为各面部部件推断逐像素标签，近来备受关注。已有方法展现了其在人脸解析上的成功，但却忽视了面部部件间的相关性。事实上，部件间关系是判别面部区域中模糊像素的关键线索。为解决此问题，我们提出针对面部部件的自适应图表示学习与推理，旨在学习刻画各部件的代表性顶点、利用部件间关系，从而针对歧义产生准确的解析结果。具体而言，我们设计了一种自适应可微图抽象方法，在预测解析图的初始条件下通过像素到顶点投影在图上表示部件，其中某一面部区域内的像素特征被聚合到一个顶点上。进一步，我们显式地将图像边缘作为先验纳入模型，这有助于在投影过程中区分边缘与非边缘像素，从而沿边缘得到精炼的解析结果。随后，我们的模型通过在图上跨顶点传播信息来学习并推理部件间关系。最后，精炼的顶点特征被投影回像素网格以预测最终解析图。为训练模型，我们提出一种判别性损失来惩罚特征空间中顶点间的小距离，从而得到具有强语义的显著顶点。实验结果表明所提模型在多人脸解析数据集上的优越性能，并通过在人体解析任务上的验证证明了我们模型的泛化能力。
引用
@article{arxiv.2101.07034,
title = {AGRNet: Adaptive Graph Representation Learning and Reasoning for Face Parsing},
author = {Gusi Te and Wei Hu and Yinglu Liu and Hailin Shi and Tao Mei},
journal= {arXiv preprint arXiv:2101.07034},
year = {2021}
}