基于自迭代回归的人脸关键点注意力网络的人脸关键点检测
计算机视觉与模式识别
2018-03-20 v1
摘要
为解决人脸关键点检测问题，已有研究提出了基于级联回归 (CR) 的方法，该方法通过在粗粒度和细粒度阶段分别训练的多个级联回归器来学习一系列下降方向。它们在准确率和运行速度上均优于传统的基于梯度下降的方法。然而，级联回归不够鲁棒，因为每个回归器的训练数据均来自前一回归器的输出。此外，训练多个回归器需要大量计算资源，对于基于深度学习的方法尤为如此。在本文中，我们开发了一种自迭代回归 (SIR) 框架以提高模型效率。仅训练一个自迭代回归器来学习样本从粗粒度阶段到细粒度阶段的下降方向，且参数由同一回归器迭代更新。具体而言，我们提出了 Landmarks-Attention Network (LAN) 作为我们的回归器，它同时学习每个关键点周围的特征并获取整体位置增量。如此一来，不仅去除了其余回归器以简化训练过程，而且显著减少了模型参数量。实验表明，所提出的方法仅用 3.72M 模型参数便实现了 SOTA 性能。
引用
@article{arxiv.1803.06598,
title = {Facial Landmarks Detection by Self-Iterative Regression based Landmarks-Attention Network},
author = {Tao Hu and Honggang Qi and Jizheng Xu and Qingming Huang},
journal= {arXiv preprint arXiv:1803.06598},
year = {2018}
}
备注
Accepted in AAAI 2018