利用训练数据增强与模糊集样本加权的动态注意力控制级联形状回归
计算机视觉与模式识别
2017-04-05 v2
摘要
我们提出了一种新的级联形状回归（CSR）架构，即动态注意力控制 CSR（DAC-CSR），用于在非约束人脸上进行鲁棒的面部特征点检测。我们的 DAC-CSR 将面部特征点检测分为三个级联子任务：人脸边界框细化、通用 CSR 和注意力控制 CSR。前两个阶段细化初始人脸边界框并输出中间面部特征点。然后，使用一种在线动态模型选择方法来选择合适的领域特定 CSR 以进一步细化特征点。我们 DAC-CSR 的关键创新在于其容错机制，该机制使用模糊集样本加权进行注意力控制的领域特定模型训练。此外，我们提倡使用一种简单但有效的二维侧脸生成器进行数据增强，并采用上下文感知特征提取以获得更好的面部特征表示。在具有挑战性的数据集上获得的实验结果表明，我们的 DAC-CSR 优于当前最先进的方法。
引用
@article{arxiv.1611.05396,
title = {Dynamic Attention-controlled Cascaded Shape Regression Exploiting Training Data Augmentation and Fuzzy-set Sample Weighting},
author = {Zhen-Hua Feng and Josef Kittler and William Christmas and Patrik Huber and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:1611.05396},
year = {2017}
}