用于无约束二维人脸对齐的树突状CNN中三维姿态解耦
计算机视觉与模式识别
2018-03-29 v3
摘要
热力图回归用于关键点定位已有一段时间。大多数方法在热力图分类阶段使用非常深的瓶颈模块堆栈,随后进行热力图回归以提取关键点。在本文中,我们提出了一个单一的树突状CNN,称为姿态条件树突状卷积神经网络(PCD-CNN),其中一个分类网络后接第二个模块化分类网络,以端到端方式训练以获得准确的关键点。遵循贝叶斯公式,我们通过将关键点估计以姿态为条件,显式地解耦人脸图像的三维姿态,这使其不同于多任务方法。大量实验表明,以姿态为条件通过使定位误差与人脸姿态无关而降低了定位误差。所提出的模型可扩展以产生可变数量的关键点,从而拓宽其对其他数据集的适用性。我们不是增加网络的深度或宽度,而是用Mask-Softmax Loss和难样本挖掘高效训练CNN,与来自包括AFLW、AFW、COFW和IBUG等具有挑战性数据集的最先进(state-of-the-art)方法相比,对极端和中度姿态人脸图像实现了高达的误差降低。
引用
@article{arxiv.1802.06713,
title = {Disentangling 3D Pose in A Dendritic CNN for Unconstrained 2D Face Alignment},
author = {Amit Kumar and Rama Chellappa},
journal= {arXiv preprint arXiv:1802.06713},
year = {2018}
}
备注
CVPR'18