用于非刚性物体关键点定位的深度形变网络
计算机视觉与模式识别
2016-07-26 v2
摘要
我们提出了一种新颖的级联框架，即深度形变网络（DDN），用于定位非刚性物体中的关键点。DDN的特点在于其在卷积神经网络（CNN）框架内融入了几何约束、训练简便高效以及应用的通用性。一个新颖的形状基网络（SBN）构成该级联的第一阶段，通过结合CNN特征与学习到的形状基的优点来初始化关键点，从而降低高度非线性姿态流形的复杂度。在第二阶段，点变换网络（PTN）估计局部形变，参数化为薄板样条变换，以进行更精细的优化。我们的框架既不引入手工特征也不引入部件连接性，从而在训练和测试期间实现端到端的形状预测流程。与先前用于关键点定位的级联网络学习从特征空间到关键点位置的映射不同，我们证明了DDN中通过几何先验引入的正则化使其更易于训练，同时产生更优的结果。该架构的有效性和通用性通过在多个基准测试上取得最先进的性能得到证明，这些任务包括人脸关键点定位、人体姿态估计和鸟类部件定位。
引用
@article{arxiv.1605.01014,
title = {Deep Deformation Network for Object Landmark Localization},
author = {Xiang Yu and Feng Zhou and Manmohan Chandraker},
journal= {arXiv preprint arXiv:1605.01014},
year = {2016}
}
备注
This work is going to appear at ECCV