STAR损失：降低人脸关键点检测中的语义模糊性
计算机视觉与模式识别
2023-06-06 v1
摘要
近年来，基于深度学习的人脸关键点检测取得了显著进展。然而，语义模糊问题降低了检测性能。具体而言，语义模糊导致标注不一致，并对模型收敛产生负面影响，造成精度下降和预测不稳定。为解决该问题，我们利用语义模糊的特性提出了一种自适应模糊降低（STAR）损失。我们发现语义模糊导致各向异性的预测分布，这启发我们用预测分布来表示语义模糊。在此基础上，我们设计了衡量预测分布各向异性的STAR损失。相比标准回归损失，当预测分布呈各向异性时，STAR损失被鼓励取较小值，从而自适应地减轻语义模糊的影响。此外，我们提出了两类特征值约束方法，可同时避免分布的异常变化和模型的过早收敛。最后，综合实验表明，在COFW、300W和WFLW三个基准上，STAR损失以可忽略的计算开销优于最先进的方法。代码见 https://github.com/ZhenglinZhou/STAR。
引用
@article{arxiv.2306.02763,
title = {STAR Loss: Reducing Semantic Ambiguity in Facial Landmark Detection},
author = {Zhenglin Zhou and Huaxia Li and Hong Liu and Nanyang Wang and Gang Yu and Rongrong Ji},
journal= {arXiv preprint arXiv:2306.02763},
year = {2023}
}
备注
14 pages, 7 figures, accepted by CVPR 2023