基于 14 万类分类器的暴力人脸关键点分析
计算机视觉与模式识别
2018-02-15 v2
摘要
我们提出一种简单的视觉对齐方法，聚焦于人脸关键点估计这一示例性任务。尽管多数先前工作将其视为回归问题，我们转而将其表述为离散的 路分类任务，即训练一个分类器返回 个离散对齐之一。分类器的一个关键优势是能够反馈关于候选对齐的（softmax）分布。我们证明该分布是一种丰富表征，可被边缘化（以生成关键点组上的不确定性估计）以及被条件化（以融入自顶向下上下文，由视频流中的时间约束或交互式人类用户提供）。此类能力难以整合进经典的基于回归的方法。我们研究了性能随类别数 的变化，包括极端的“样本类”设定，其中 等于训练样本数（我们的设定中为 140K）。或许令人惊讶的是，我们展示了在此设定下分类器仍可被学习。与先前分类工作相比，我们的 空前之大，包含许多极为相似的“细粒度”类。我们通过使用允许多训练样本在非均匀共享于离散类间的多标签损失函数来解决这些问题。我们在标准基准上对我们的方法进行了全面实验分析，展示了视频人脸对齐的 SOTA 结果。
引用
@article{arxiv.1802.01777,
title = {Brute-Force Facial Landmark Analysis With A 140,000-Way Classifier},
author = {Mengtian Li and Laszlo Jeni and Deva Ramanan},
journal= {arXiv preprint arXiv:1802.01777},
year = {2018}
}
备注
In AAAI 2018, code can be find at https://github.com/mtli/BFFL