論文の概要: LUVLi Face Alignment: Estimating Landmarks' Location, Uncertainty, and Visibility Likelihood

• arxiv url: http://arxiv.org/abs/2004.02980v1
• Date: Mon, 6 Apr 2020 20:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 06:28:49.785546
• Title: LUVLi Face Alignment: Estimating Landmarks' Location, Uncertainty, and Visibility Likelihood
• Title（参考訳）: LUVLi Face Alignment: ランドマークの位置、不確かさ、そして可視性を推定する
• Authors: Abhinav Kumar, Tim K. Marks, Wenxuan Mou, Ye Wang, Michael Jones, Anoop Cherian, Toshiaki Koike-Akino, Xiaoming Liu, Chen Feng
• Abstract要約: 我々はランドマークの位置を共同で予測するための新しい枠組みを提案する。 提案した位置・不確実性・可視性類似度(LUVLi)の損失をトレーニングしたディープネットワークを用いて推定する。 我々の共同推定は、予測されたランドマークの位置の不確かさを正確に推定するだけでなく、複数の標準的な顔アライメントデータセット上で、ランドマーク自体の最先端の見積もりも得る。
• 参考スコア（独自算出の注目度）: 43.618756339504095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern face alignment methods have become quite accurate at predicting the locations of facial landmarks, but they do not typically estimate the uncertainty of their predicted locations nor predict whether landmarks are visible. In this paper, we present a novel framework for jointly predicting landmark locations, associated uncertainties of these predicted locations, and landmark visibilities. We model these as mixed random variables and estimate them using a deep network trained with our proposed Location, Uncertainty, and Visibility Likelihood (LUVLi) loss. In addition, we release an entirely new labeling of a large face alignment dataset with over 19,000 face images in a full range of head poses. Each face is manually labeled with the ground-truth locations of 68 landmarks, with the additional information of whether each landmark is unoccluded, self-occluded (due to extreme head poses), or externally occluded. Not only does our joint estimation yield accurate estimates of the uncertainty of predicted landmark locations, but it also yields state-of-the-art estimates for the landmark locations themselves on multiple standard face alignment datasets. Our method's estimates of the uncertainty of predicted landmark locations could be used to automatically identify input images on which face alignment fails, which can be critical for downstream tasks.
• Abstract（参考訳）: 現代の顔アライメント法は、顔のランドマークの位置を予測するのにかなり正確になっているが、予測された位置の不確実性を推定したり、ランドマークが見えるかどうかを予測したりしない。 本稿では,ランドマーク位置の同時予測,これらの予測位置の不確実性,およびランドマークの可視性について述べる。 我々はこれらを混合確率変数としてモデル化し,提案する位置・不確実性・可視性(luvli)損失を訓練した深層ネットワークを用いて推定する。 さらに,顔画像が19,000枚を超える大きな顔アライメントデータセットの完全な新しいラベルを,全幅の頭部ポーズでリリースする。 それぞれの顔には68のランドマークの地味な位置と手動でラベル付けされ、それぞれのランドマークが(極端な頭部のポーズのため)隠されたり、自己隠蔽されたり、あるいは外部隠蔽されたりするかどうかの情報が付加されている。 我々の共同推定は、予測されたランドマーク位置の不確実性を正確に推定するだけでなく、複数の標準フェイスアライメントデータセット上のランドマーク位置自体の最先端の推定も得る。 提案手法では,予測されたランドマーク位置の不確かさを推定し,顔のアライメントが失敗する入力画像を自動的に識別することができる。

関連論文リスト

• Unsupervised Landmark Discovery Using Consistency Guided Bottleneck [63.624186864522315]
  画像再構成に基づくパイプラインに一貫性のあるボトルネックを導入する。 本稿では,画像間のランドマーク対応を形成することによって,擬似スーパービジョンを得る手法を提案する。 この一貫性は、アダプティブ・ヒートマップの生成において発見されたランドマークの不確かさを変調する。
  論文  参考訳（メタデータ） (2023-09-19T10:57:53Z)
• Shape Completion with Prediction of Uncertain Regions [4.689234879218989]
  特に、曖昧な対象ビューが与えられたとき、対象部分全体の存在について、拡張された領域に既約不確実性が存在する可能性がある。 本研究では,局所的な空間占有率を予測する手法の任意の拡張法として,そのような不確実な領域を予測するための2つの新しい手法を提案する。 我々は、このデータセットをトレーニングし、既知の、新しいオブジェクトインスタンスに対する不確実な領域の形状の完了と予測において、各メソッドをテストする。
  論文  参考訳（メタデータ） (2023-08-01T08:40:40Z)
• Are Face Detection Models Biased? [69.68854430664399]
  顔領域の局所化による顔検出領域のバイアスについて検討した。 既存の顔検出データセットの多くは、このような分析に適したアノテーションを欠いている。 性別や肌の音色による検出精度の相違を観察し, 画像診断以外の要因の相互関係を考察した。
  論文  参考訳（メタデータ） (2022-11-07T14:27:55Z)
• Location retrieval using visible landmarks based qualitative place signatures [0.7119463843130092]
  定位位置シグネチャ(QPS)を用いた位置・場所を記述した定位位置探索法を提案する。 空間を個々のシグネチャを付加した場所セルに分割した後,その質的観察に基づいて,視聴者の可能な位置を効率的に同定する粗い位置探索法を提案する。
  論文  参考訳（メタデータ） (2022-07-26T13:57:49Z)
• STUN: Self-Teaching Uncertainty Estimation for Place Recognition [10.553297191854837]
  本稿では,その場所を同時に予測し,入力画像から予測の不確かさを推定する自己学習フレームワークSTUNを提案する。 大規模ピッツバーグ30kデータセットに対する実験結果から,STUNは認識精度と不確実性評価の品質の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-03T16:59:42Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Robust GPS-Vision Localization via Integrity-Driven Landmark Attention [2.741266294612776]
  都市におけるGPSナビゲーションのための統合型ランドマーク注意(ILA) ヒトの認知的注意に触発され、ランドマークのサブセットを選択するために凸最適化を行う。 事前定義されたアラートリミットのローカリゼーション精度と堅牢な予測可用性を実証します。
  論文  参考訳（メタデータ） (2021-01-13T02:16:13Z)
• Deep Structured Prediction for Facial Landmark Detection [59.60946775628646]
  本稿では,深層畳み込みネットワークと条件付きランダムフィールドを組み合わせた深層構造顔のランドマーク検出手法を提案する。 顔のランドマーク検出における最先端技術よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-10-18T17:09:24Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Unsupervised Performance Analysis of 3D Face Alignment with a Statistically Robust Confidence Test [32.43769049247355]
  本稿では3次元顔アライメント(3DFA)の性能解析の問題点について述べる。 提案手法の中核となる要素は、予測されたランドマークとモデルランドマークの間の剛性変換の頑健な評価である。 その結果、提案手法は教師付きメトリクスと一致しており、予測されたランドマークと自動アノテーション付き3DFAデータセットの精度を測定できることがわかった。
  論文  参考訳（メタデータ） (2020-04-14T14:33:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。