基于半监督学习的低分辨率人脸关键点检测
计算机视觉与模式识别
2019-08-01 v1
摘要
在高分辨率图像上训练的关键点检测算法在包含低分辨率图像的数据集上表现很差。这阻碍了依赖高质量关键点的算法（例如人脸识别）的性能。据我们所知，目前不存在任何包含低分辨率人脸图像及其标注关键点的数据集，使得监督训练不可行。本文提出一种半监督方法，通过从带标签的高分辨率图像中学习来预测低分辨率图像上的关键点。本工作的目标是表明，直接在低分辨率图像上预测关键点比当前先重缩放或超分辨率后再对齐图像的做法更有效。在两步过程中，所提方法首先通过建模目标低分辨率图像的分布来学习生成低分辨率图像。在第二阶段，生成的低分辨率图像与真实低分辨率图像的角色互换，模型从生成的低分辨率图像中学习预测真实低分辨率图像的关键点。通过大量实验，我们研究了各设计选择的影响，并表明直接在低分辨率图像上预测关键点提升了诸如低分辨率人脸识别等重要任务的性能。
引用
@article{arxiv.1907.13255,
title = {Landmark Detection in Low Resolution Faces with Semi-Supervised Learning},
author = {Amit Kumar and Rama Chellappa},
journal= {arXiv preprint arXiv:1907.13255},
year = {2019}
}