基于全卷积连续 CRF 神经网络的人脸解析
计算机视觉与模式识别
2017-08-15 v1
摘要
在本工作中，我们采用全卷积连续 CRF 神经网络（FC-CNN）架构来解决人脸解析任务。与以往将基于区域的子网络应用数百次的人脸解析方法不同，我们的 FC-CNN 是全卷积的，且具有很高的分割精度。为实现这一目标，FC-CNN 将三个子网络——一元网络、成对网络和连续条件随机场（C-CRF）网络——集成到一个统一框架中。一元网络中的卷积和反卷积结构捕获了不同卷积层间的高层语义信息和低层细节。成对网络分支学习语义边缘上下文以构建像素级亲和度。基于可微的超像素池化层和可微的 C-CRF 层，一元网络和成对网络通过一种新颖的连续 CRF 网络相结合，以在深度神经网络的训练和测试过程中实现空间一致性。在 LFW-PL 和 HELEN 数据集上的综合评估表明，FC-CNN 在具有挑战性的图像上进行精确人脸标注方面优于其他 SOTA 方法。
引用
@article{arxiv.1708.03736,
title = {Face Parsing via a Fully-Convolutional Continuous CRF Neural Network},
author = {Lei Zhou and Zhi Liu and Xiangjian He},
journal= {arXiv preprint arXiv:1708.03736},
year = {2017}
}