利用知识蒸馏提升人脸关键点检测的准确性与效率

计算机视觉领域在人脸关键点检测方面取得了显著进展，这在增强现实、人脸识别和情感分析等各种应用中变得越来越不可或缺。与侧重于识别物体和勾勒边界的物体检测或语义分割不同，人脸关键点检测旨在精确定位和追踪关键面部特征。然而，由于面部特征的复杂性，尤其是在动态环境中，在计算资源有限的嵌入式系统上部署基于深度学习的人脸关键点检测模型面临诸多挑战。此外，确保在不同种族和表情下的鲁棒性也带来了进一步的障碍。现有数据集通常缺乏对面部细微差异的全面表示，特别是在台湾等地区的人群中。本文引入了一种新方法，通过开发知识蒸馏技术来应对这些挑战。通过将知识从较大模型转移到较小模型，我们旨在创建专为面部关键点检测任务量身定制的轻量级而强大的深度学习模型。我们的目标是设计能够在不同条件下（包括不同的表情、朝向和光照环境）准确定位面部关键点的模型。最终目标是在嵌入式系统上实现适合部署的高精度和实时性能。该方法已成功实施，并在 IEEE ICME 2024 PAIR 竞赛的 165 名参赛者中取得了第 6 名的成绩。