可分离批归一化与跨协议网络训练用于鲁棒人脸关键点定位
计算机视觉与模式识别
2021-01-19 v1
摘要
庞大、多样且均衡的训练数据是深度神经网络训练成功的关键。然而，现有人脸关键点定位中使用的公开可用数据集通常远小于其他计算机视觉任务的数据集。缺乏多样且均衡训练样本的小数据集无法有效支撑深度网络的训练。为解决上述问题，本文提出一种新颖的可分离批归一化（SepBN）模块与跨协议网络训练（CNT）策略，用于鲁棒人脸关键点定位。与使用全部训练数据计算单一参数组的标准 BN 层不同，SepBN 考虑到训练数据集的样本可能属于不同子域。相应地，所提出的 SepBN 模块使用多组参数，每组对应一个特定子域。然而，推理阶段合适分支的选择仍具挑战性，因为测试样本的子域未知。为缓解此困难，我们提出一种新颖的注意力机制，以有效方式对不同分支赋予不同权重以实现自动选择。作为进一步创新，所提出的 CNT 策略使用具有不同的人脸关键点标注系统的多个数据集训练网络，提升了训练网络的性能并增强其泛化能力。在多个知名数据集上获得的实验结果证明了所提方法的有效性。
引用
@article{arxiv.2101.06663,
title = {Separable Batch Normalization for Robust Facial Landmark Localization with Cross-protocol Network Training},
author = {Shuangping Jin and Zhenhua Feng and Wankou Yang and Josef Kittler},
journal= {arXiv preprint arXiv:2101.06663},
year = {2021}
}
备注
10 pages,6 figures