用于定制化人脸关键点检测、分割、风格化与阴影去除的小样本模型自适应
计算机视觉与模式识别
2021-04-20 v1
摘要
尽管已取得显著进展，基于深度学习的算法性能仍严重依赖特定数据集，而由于标注劳动密集，这些数据集难以扩展。此外，由于新应用的发展，数据标注的初始定义未必总能满足新功能的需求。因此，对定制化数据标注始终存在巨大需求。为解决上述问题，我们提出小样本模型自适应（FSMA）框架，并展示其在人脸多项重要任务上的潜力。FSMA 首先利用大规模无标注数据训练对抗自编码器，获取鲁棒的人脸图像嵌入。随后该模型配备特征自适应与融合层，并使用极少量标注图像高效适配目标任务。FSMA 框架的突出之处在于其跨广泛人脸图像应用的通用性。FSMA 取得了最先进的小样本关键点检测性能，并首次为小样本人脸分割、风格化及人脸阴影去除任务提供了令人满意的解决方案。
引用
@article{arxiv.2104.09457,
title = {Few-Shot Model Adaptation for Customized Facial Landmark Detection, Segmentation, Stylization and Shadow Removal},
author = {Zhen Wei and Bingkun Liu and Weinong Wang and Yu-Wing Tai},
journal= {arXiv preprint arXiv:2104.09457},
year = {2021}
}
备注
with supplementary file