DeCaFA：用于野外人脸对齐的深度卷积级联网络
计算机视觉与模式识别
2019-04-05 v1
摘要
人脸对齐是一个活跃的计算视觉领域，其任务是定位数据集中数量各异的若干面部关键点。最先进的人脸对齐方法要么采用端到端回归，要么从初始猜测出发以级联方式精炼形状。本文中，我们介绍 DeCaFA，一种用于人脸对齐的端到端深度卷积级联架构。DeCaFA 使用全卷积阶段以在整条级联中保持完整空间分辨率。在每个级联阶段之间，DeCaFA 使用多个带空间 softmax 的链式迁移层，为若干个关键点对齐任务中的每一个生成逐关键点注意力图。加权中间监督以及阶段间的高效特征融合使得能够以端到端方式学习逐步精炼注意力图。我们通过实验表明，DeCaFA 在 300W、CelebA 和 WFLW 数据库上显著优于现有方法。此外，我们表明 DeCaFA 可以使用粗标注数据从极少图像中以合理精度学习精细对齐。
引用
@article{arxiv.1904.02549,
title = {DeCaFA: Deep Convolutional Cascade for Face Alignment In The Wild},
author = {Arnaud Dapogny and Kévin Bailly and Matthieu Cord},
journal= {arXiv preprint arXiv:1904.02549},
year = {2019}
}