Deep learning technique has dramatically boosted the performance of face alignment algorithms. However, due to large variability and lack of samples, the alignment problem in unconstrained situations, \emph{e.g}\onedot large head poses, exaggerated expression, and uneven illumination, is still largely unsolved. In this paper, we explore the instincts and reasons behind our two proposals, \emph{i.e}\onedot Propagation Module and Focal Wing Loss, to tackle the problem. Concretely, we present a novel structure-infused face alignment algorithm based on heatmap regression via propagating landmark heatmaps to boundary heatmaps, which provide structure information for further attention map generation. Moreover, we propose a Focal Wing Loss for mining and emphasizing the difficult samples under in-the-wild condition. In addition, we adopt methods like CoordConv and Anti-aliased CNN from other fields that address the shift-variance problem of CNN for face alignment. When implementing extensive experiments on different benchmarks, \emph{i.e}\onedot WFLW, 300W, and COFW, our method outperforms state-of-the-arts by a significant margin. Our proposed approach achieves 4.05\% mean error on WFLW, 2.93\% mean error on 300W full-set, and 3.71\% mean error on COFW.


翻译:深层学习技术极大地提升了面部校正算法的性能。然而,由于巨大的变异性和缺乏样本,在未受限制的情况下,在未受限制的情况下,人们会遇到校正问题,例如:eemph{e{onedot大头的姿势、夸大表情和不均匀的照明,这些问题基本上仍未解决。在本文中,我们探讨了我们两项提案的本能和理由,即:eemph{i_e ⁇ onedoporation 模块和焦点翼损失,以解决问题。具体地说,我们展示了一种新的结构化的面部校正算法,其依据是:通过传播里程碑式的热映射到边界的热映射仪,提供结构信息,供进一步关注地图的生成。此外,我们提议了一个核心木头损失中心,并在电站的状态下强调困难的样品。此外,我们采用了Coord Conv和反反反目标的CNNCN网络方法,以解决轮值波动问题,以面对面的方式。当在不同基准上进行广泛的实验时, emp{onedot-ointW, 300W, 300W, 和CO-fremealfrogres, 我们的拟议在正值的错误上,我们提出的一个重大的错误。

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【ICML2020】小样本目标检测
专知会员服务
90+阅读 · 2020年6月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Learning to See Through Obstructions
Arxiv
7+阅读 · 2020年4月2日
Arxiv
14+阅读 · 2019年9月11日
Arxiv
9+阅读 · 2018年3月10日
VIP会员
Top
微信扫码咨询专知VIP会员