DenseReg：自然环境下的全卷积密集形状回归
计算机视觉与模式识别
2017-06-21 v2
摘要
在本文中，我们提出通过全卷积网络学习从图像像素到密集模板网格的映射。我们将此任务表述为回归问题，并利用自然环境（in-the-wild）下人工标注的面部特征点来训练我们的网络。我们使用这些特征点在三维物体模板和输入图像之间建立密集对应场，随后将其作为训练我们回归系统的真值。我们表明，可以将语义分割的思想与回归网络相结合，产生一种高精度的“量化回归”架构。我们的系统名为 DenseReg，允许我们以全卷积的方式估计密集的图像到模板对应关系。因此，我们的网络作为独立系统可以提供有用的对应信息，而当用作统计可变形模型的初始化时，我们在具有挑战性的 300W 基准上获得的特征点定位结果大幅优于当前最优水平。我们在大量面部分析任务上对我们的方法进行了全面评估，并提供了密集人体对应的定性结果。我们在 http://alpguler.com/DenseReg.html 上公开了我们的代码以及补充材料。
引用
@article{arxiv.1612.01202,
title = {DenseReg: Fully Convolutional Dense Shape Regression In-the-Wild},
author = {Rıza Alp Güler and George Trigeorgis and Epameinondas Antonakos and Patrick Snape and Stefanos Zafeiriou and Iasonas Kokkinos},
journal= {arXiv preprint arXiv:1612.01202},
year = {2017}
}
备注
CVPR 2017