报告主题:UGLLI Face Alignment: Estimating Uncertainty with Gaussian Log-Likelihood Loss

报告摘要:现代人脸对齐方法在预测人脸界标的位置方面已经非常准确,但通常不会估算其预测位置的不确定性。 我们提出了一个新颖的框架,用于使用高斯对数似然损失将脸部界标位置和相关的不确定性建模为二维高斯分布。 我们对不确定性和地标位置的联合估计不仅可以得出对预测的地标位置的不确定性的最新估计,而且可以对地标位置(面部对齐)产生最新的估计。 我们对地标预测位置不确定性的方法估计可用于自动识别面部对齐失败的输入图像,这对下游任务可能至关重要。

成为VIP会员查看完整内容
contributed_oral_2019_ICCVW_UGLLI_presentation[2].pdf
14.pdf
14

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【泡泡点云时空】基于分割方法的物体六维姿态估计
泡泡机器人SLAM
18+阅读 · 2019年9月15日
快速准确的人脸检测&识别新框架(进阶)(文末附源码)
计算机视觉战队
8+阅读 · 2019年8月29日
【紫冬快讯】夺冠!自动化所团队拔得CVPR2019 UG2+人脸识别竞赛头筹
中国科学院自动化研究所
9+阅读 · 2019年6月22日
贝叶斯神经网络(系列)第一篇
AI研习社
14+阅读 · 2019年3月1日
已删除
将门创投
4+阅读 · 2018年6月12日
Generating Fact Checking Explanations
Arxiv
9+阅读 · 2020年4月13日
Arxiv
12+阅读 · 2019年2月26日
Arxiv
5+阅读 · 2018年4月13日
Arxiv
6+阅读 · 2018年4月4日
Arxiv
6+阅读 · 2018年2月28日
Arxiv
3+阅读 · 2015年5月16日
VIP会员
相关VIP内容
相关资讯
微信扫码咨询专知VIP会员