KEPLER：通过学习高效 H-CNN 回归器实现无约束人脸的关键点与姿态估计
计算机视觉与模式识别
2017-02-17 v1
摘要
关键点检测是人脸建模、识别和验证等任务中最重要的预处理步骤之一。在本文中，我们提出了一种迭代方法，即通过学习高效 H-CNN 回归器进行无约束人脸的关键点估计和姿态预测（KEPLER），以解决人脸对齐问题。近期的最先进方法表明，通过采用卷积神经网络（CNNs）可以提高人脸关键点检测的性能。虽然简单的前馈神经网络可以学习输入和输出空间之间的映射，但它无法学习内在的结构依赖性。我们提出了一种称为 H-CNN（Heatmap-CNN）的新架构，该架构捕捉结构化的全局和局部特征，从而有利于准确的关键点检测。H-CNN 联合训练人脸的可见性、特征点和 3D 姿态。随着迭代的进行，误差减小导致梯度变小，因此需要高效训练 DCNNs 以缓解这一问题。KEPLER 在前四次迭代中执行姿态和特征点的全局校正，随后在下一阶段执行局部校正。作为副产品，KEPLER 还能准确提供人脸的 3D 姿态（pitch、yaw 和 roll）。在本文中，我们表明在不使用任何 3D 信息的情况下，KEPLER 在 AFW 和 AFLW 等具有挑战性的数据集上的对齐性能优于最先进的方法。
引用
@article{arxiv.1702.05085,
title = {KEPLER: Keypoint and Pose Estimation of Unconstrained Faces by Learning Efficient H-CNN Regressors},
author = {Amit Kumar and Azadeh Alavi and Rama Chellappa},
journal= {arXiv preprint arXiv:1702.05085},
year = {2017}
}
备注
Accept as Oral FG'17