論文の概要: Sub-pixel face landmarks using heatmaps and a bag of tricks
- arxiv url: http://arxiv.org/abs/2103.03059v1
- Date: Thu, 4 Mar 2021 14:34:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 15:11:22.218367
- Title: Sub-pixel face landmarks using heatmaps and a bag of tricks
- Title（参考訳）: ヒートマップとトリックバッグを用いたサブピクセル顔のランドマーク
- Authors: Samuel W. F. Earp and Aubin Samacoits and Sanjana Jain and Pavit
Noinongyao and Siwa Boonpunmongkol
- Abstract要約: 顔のランドマークを正確にローカライズするための熱マップ回帰手法を提案する。
顔検出装置から顔の位置と整列に5つのナイーブな顔ランドマークを使用する。
また, デコンボリューション層とピクセルシャッフル層を混合することで, アップスケーリングの複雑さを低減できることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate face landmark localization is an essential part of face recognition,
reconstruction and morphing. To accurately localize face landmarks, we present
our heatmap regression approach. Each model consists of a MobileNetV2 backbone
followed by several upscaling layers, with different tricks to optimize both
performance and inference cost. We use five na\"ive face landmarks from a
publicly available face detector to position and align the face instead of
using the bounding box like traditional methods. Moreover, we show by adding
random rotation, displacement and scaling -- after alignment -- that the model
is more sensitive to the face position than orientation. We also show that it
is possible to reduce the upscaling complexity by using a mixture of
deconvolution and pixel-shuffle layers without impeding localization
performance. We present our state-of-the-art face landmark localization model
(ranking second on The 2nd Grand Challenge of 106-Point Facial Landmark
Localization validation set). Finally, we test the effect on face recognition
using these landmarks, using a publicly available model and benchmarks.
- Abstract（参考訳）: 正確な顔のランドマークのローカリゼーションは、顔認識、再構築、モーフィングの不可欠な部分です。
顔のランドマークを正確にローカライズするために,熱マップ回帰手法を提案する。
各モデルはmobilenetv2バックボーンからなり、続いていくつかのスケールアップ層があり、パフォーマンスと推論コストの両方を最適化するさまざまなトリックがある。
従来の手法のように境界ボックスを使うのではなく、顔の位置とアライメントに5つのna\"ive face landmarkを使用します。
さらに,アライメント後にランダムな回転,変位,スケーリングを加えることで,モデルが向きよりも顔位置に敏感であることが分かる。
また, デコンボリューション層とピクセルシャッフル層を混合することで, 局所化性能を損なうことなく, アップスケーリングの複雑さを低減できることを示した。
我々は,最先端の顔ランドマークローカライズモデルを提案する(第2位は106ポイント顔ランドマークローカライズ検証セットの2位)。
最後に,公開モデルとベンチマークを用いて,これらのランドマークを用いた顔認識の効果をテストする。
関連論文リスト
- LAFS: Landmark-based Facial Self-supervised Learning for Face
Recognition [37.4550614524874]
我々は、効果的な顔認識モデルの訓練に適応できる顔表現の学習に焦点をあてる。
本研究では,自己教師付き事前学習による未ラベル顔画像の学習戦略について検討する。
提案手法は,複数の顔認識ベンチマークにおける最先端技術よりも大幅に向上する。
論文 参考訳（メタデータ） (2024-03-13T01:07:55Z) - Optimal-Landmark-Guided Image Blending for Face Morphing Attacks [8.024953195407502]
本稿では,最適なランドマーク誘導画像ブレンディングを用いた顔形態形成攻撃を行うための新しい手法を提案する。
提案手法は, ランドマークの最適化とグラフ畳み込みネットワーク(GCN)によるランドマークと外観特徴の組み合わせにより, 従来のアプローチの限界を克服する。
論文 参考訳（メタデータ） (2024-01-30T03:45:06Z) - Precise Facial Landmark Detection by Reference Heatmap Transformer [52.417964103227696]
より正確に顔のランドマークを検出するための参照ヒートマップ変換器(RHT)を提案する。
評価実験の結果,提案手法は文献における最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-14T12:26:48Z) - Towards Accurate Facial Landmark Detection via Cascaded Transformers [14.74021483826222]
本稿では,カスケードトランスを用いた正確な顔のランドマーク検出手法を提案する。
トランスにおける自己注意によって、我々のモデルは本質的にランドマーク間の構造化された関係を活用できる。
このモデルでは, 目標ランドマークの周囲に最も関連性の高い画像の特徴を抽出し, 座標予測を行う。
論文 参考訳（メタデータ） (2022-08-23T08:42:13Z) - Subpixel Heatmap Regression for Facial Landmark Localization [65.41270740933656]
熱マップ回帰法は、熱マップ符号化と復号処理の両方に関連する離散化による誤差に悩まされる。
本稿では,熱マップの符号化と復号化に基礎となる連続分布を利用した新しい手法を提案する。
我々のアプローチは、顔のランドマークのローカライゼーションに新しい最先端の結果を設定する複数のデータセット間で顕著な利得を提供する。
論文 参考訳（メタデータ） (2021-11-03T17:21:28Z) - Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout
for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
提案手法の性能は, 広く使用されている3つのデータセットで評価される。
ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
論文 参考訳（メタデータ） (2021-06-08T13:40:30Z) - AnchorFace: An Anchor-based Facial Landmark Detector Across Large Poses [12.291368376851231]
本研究では,大規模なポーズにおける顔のランドマークの局所化問題に対処するための分割・集約戦略を提案する。
提案手法はAnchorFaceと呼ばれ、4つの挑戦的ベンチマークで非常に効率的な推論速度で最先端の結果を得られる。
論文 参考訳（メタデータ） (2020-07-07T06:17:08Z) - A Transfer Learning approach to Heatmap Regression for Action Unit
intensity estimation [50.261472059743845]
アクション・ユニット(英: Action Units、AUs)は、幾何学に基づく原子性顔面筋運動である。
本稿では,その位置と強度を共同で推定する新しいAUモデリング問題を提案する。
ヒートマップは、所定の空間的位置でAUが発生するか否かをモデル化する。
論文 参考訳（メタデータ） (2020-04-14T16:51:13Z) - Attentive One-Dimensional Heatmap Regression for Facial Landmark
Detection and Tracking [73.35078496883125]
顔のランドマークの局所化のための新しい1次元熱マップ回帰法を提案する。
まず、x座標とy座標の辺分布を表すために、1次元熱マップの2つの群を予測する。
第2に、x と y 座標に存在する固有の空間パターンをモデル化するコアテンション機構が採用されている。
第3に、1次元熱マップ構造に基づいて、画像上のランドマーク検出のための空間パターンを検出する顔ランドマーク検出器を提案する。
論文 参考訳（メタデータ） (2020-04-05T06:51:22Z) - Multi-View Optimization of Local Feature Geometry [70.18863787469805]
本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。
提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。
本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
論文 参考訳（メタデータ） (2020-03-18T17:22:11Z)
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。