論文の概要: Think about boundary: Fusing multi-level boundary information for landmark heatmap regression

• arxiv url: http://arxiv.org/abs/2008.10924v1
• Date: Tue, 25 Aug 2020 10:14:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 04:01:21.641730
• Title: Think about boundary: Fusing multi-level boundary information for landmark heatmap regression
• Title（参考訳）: 境界を考える:ランドマーク熱マップ回帰のための多レベル境界情報を利用する
• Authors: Jinheng Xie, Jun Wan, Linlin Shen, Zhihui Lai
• Abstract要約: 顔の境界とランドマークの関係を探索するための2段階のエンドツーエンドアプローチについて検討する。 境界対応ランドマーク予測は,自己校正境界推定(SCBE)モジュールと境界対応ランドマーク変換(BALT)モジュールの2つのモジュールで構成される。 我々の手法は文学における最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 51.48533538153833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although current face alignment algorithms have obtained pretty good performances at predicting the location of facial landmarks, huge challenges remain for faces with severe occlusion and large pose variations, etc. On the contrary, semantic location of facial boundary is more likely to be reserved and estimated on these scenes. Therefore, we study a two-stage but end-to-end approach for exploring the relationship between the facial boundary and landmarks to get boundary-aware landmark predictions, which consists of two modules: the self-calibrated boundary estimation (SCBE) module and the boundary-aware landmark transform (BALT) module. In the SCBE module, we modify the stem layers and employ intermediate supervision to help generate high-quality facial boundary heatmaps. Boundary-aware features inherited from the SCBE module are integrated into the BALT module in a multi-scale fusion framework to better model the transformation from boundary to landmark heatmap. Experimental results conducted on the challenging benchmark datasets demonstrate that our approach outperforms state-of-the-art methods in the literature.
• Abstract（参考訳）: 現在の顔アライメントアルゴリズムは、顔のランドマークの位置を予測するのにかなり優れたパフォーマンスを得たが、深刻な閉塞と大きなポーズのバリエーションを持つ顔には大きな課題が残っている。 逆に、これらのシーンでは、顔の境界のセマンティックな位置が予約され、推定されることが多い。 そこで本稿では,顔の境界とランドマークの関係を探索し,境界を意識したランドマーク予測を行うための2段階のアプローチについて検討する。 SCBEモジュールでは,高品質な顔境界熱マップ作成を支援するため,ステム層を改良し,中間的な監視を行う。 SCBEモジュールから継承された境界認識機能は、境界からランドマークヒートマップへの変換をより良くモデル化するために、マルチスケールの融合フレームワークでBALTモジュールに統合される。 実験結果から,本手法が文献の最先端手法より優れていることが示された。

関連論文リスト

• Boundary Guided Context Aggregation for Semantic Segmentation [23.709865471981313]
  我々は、画像の全体的意味理解を促進するために、コンテキストアグリゲーションのための重要なガイダンスとして境界を利用する。 我々はCityscapesとADE20Kデータベースに関する広範な実験を行い、最先端の手法で同等の結果を得る。
  論文  参考訳（メタデータ） (2021-10-27T17:04:38Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation [51.59290734837372]
  境界品質を改善するために,概念的にシンプルで効果的な後処理改善フレームワークを提案する。 提案されたBPRフレームワークは、CityscapesベンチマークのMask R-CNNベースラインを大幅に改善する。 BPRフレームワークをPolyTransform + SegFixベースラインに適用することで、Cityscapesのリーダーボードで1位に到達しました。
  論文  参考訳（メタデータ） (2021-04-12T07:10:48Z)
• Robust Facial Landmark Detection by Multi-order Multi-constraint Deep Networks [35.19368350816032]
  より強力な特徴相関と制約学習のためのマルチオーダーマルチ制約ディープネットワーク(MMDN)を提案する。 Inlicit Multi-order Correlated Geometry-Aware (IMCG) モデルを提案し,多次空間相関と多次チャネル相関を導入する。 説明確率に基づく境界適応回帰(EPBR)法は、グローバルな形状制約を強化するために開発されている。
  論文  参考訳（メタデータ） (2020-12-09T09:11:47Z)
• The Devil is in the Boundary: Exploiting Boundary Representation for Basis-based Instance Segmentation [85.153426159438]
  本研究では,既存のグローバルマスクベースの手法を補完するグローバル境界表現を学習するために,Basisベースのインスタンス(B2Inst)を提案する。 私たちのB2Instは一貫した改善をもたらし、シーン内のインスタンス境界を正確に解析します。
  論文  参考訳（メタデータ） (2020-11-26T11:26:06Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。