PropagationNet：将点传播为曲线以学习结构信息
计算机视觉与模式识别
2020-06-26 v1
摘要
深度学习技术显著提升了人脸对齐算法的性能。然而，由于巨大的可变性和样本匮乏，非受限情形下（例如大姿态、夸张表情和不均匀光照）的对齐问题在很大程度上仍未解决。本文探讨了我们所提出的两项方案（即传播模块与 Focal Wing Loss）背后的本质与原因，以应对该问题。具体而言，我们提出了一种新颖的基于热图回归的结构注入式人脸对齐算法，通过将关键点热图传播至边界热图，为进一步的注意力图生成提供结构信息。此外，我们提出了 Focal Wing Loss，用于挖掘并强化野外条件下的困难样本。另外，我们采用了来自其他领域的 CoordConv 与 Anti-aliased CNN 等方法，以解决 CNN 在人脸对齐中的平移方差问题。在不同基准（即 WFLW、300W 与 COFW）上进行大量实验时，我们的方法以显著优势超越 SOTA。我们所提方法在 WFLW 上取得 4.05% 平均误差，在 300W 全集上取得 2.93% 平均误差，在 COFW 上取得 3.71% 平均误差。
引用
@article{arxiv.2006.14308,
title = {PropagationNet: Propagate Points to Curve to Learn Structure Information},
author = {Xiehe Huang and Weihong Deng and Haifeng Shen and Xiubao Zhang and Jieping Ye},
journal= {arXiv preprint arXiv:2006.14308},
year = {2020}
}
备注
10 pages, 8 figures, 8 tables, CVPR2020