用于姿态鲁棒人脸对齐的树门控深度混合专家模型
计算机视觉与模式识别
2019-10-22 v1
摘要
人脸对齐是指在人脸图像上对齐一个形状模型。它是计算机视觉中的一个活跃领域，因为它是许多人脸分析与合成应用的预处理步骤。当前最先进的方法在具有中等头部姿态变化的“简单”数据集上已经表现良好，但对于姿态可达90°的“野外”数据可能不够鲁棒。为了增强对多种变化因素（例如头部姿态或遮挡）组合的鲁棒性，可将给定层（例如回归器或上游CNN层）替换为混合专家（MoE）层，该层使用一组专家而非单个专家。该混合的权重可作为门控函数学习，以联合学习专家及相应权重。本文提出使用树结构门控，实现对专家的层次化加权（Tree-MoE）。我们在级联回归的人脸对齐框架下，于不同情境中探究Tree-MoE层的使用：首先依据头部姿态等高层语义信息来强调相关的、更专门的特征提取器（Pose-Tree-MoE），其次将其作为整体更鲁棒的回归层。我们在多个具有挑战性的人脸对齐数据集上进行了充分实验，表明我们的方法优于最先进的方法。
引用
@article{arxiv.1910.09450,
title = {Tree-gated Deep Mixture-of-Experts For Pose-robust Face Alignment},
author = {Estephe Arnaud and Arnaud Dapogny and Kevin Bailly},
journal= {arXiv preprint arXiv:1910.09450},
year = {2019}
}