論文の概要: HIH: Towards More Accurate Face Alignment via Heatmap in Heatmap
- arxiv url: http://arxiv.org/abs/2104.03100v1
- Date: Wed, 7 Apr 2021 12:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 12:48:53.101706
- Title: HIH: Towards More Accurate Face Alignment via Heatmap in Heatmap
- Title（参考訳）: HIH:ヒートマップでより正確な顔アライメントを目指す
- Authors: Xing Lan, Qinghao Hu, Jian Cheng
- Abstract要約: ヒートマップ回帰モデルは、顔のランドマークを見つける上で主流になっている。
しかし、ダウンサンプリングによって導入された量子化エラーはどのくらいの影響をもたらしますか?
この作業は空白を埋め、私たちは初めて負の利得を定量的に分析します。
- 参考スコア（独自算出の注目度）: 20.314746254433295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, heatmap regression models have become the mainstream in locating
facial landmarks. To keep computation affordable and reduce memory usage, the
whole procedure involves downsampling from the raw image to the output heatmap.
However, how much impact will the quantization error introduced by downsampling
bring? The problem is hardly systematically investigated among previous works.
This work fills the blank and we are the first to quantitatively analyze the
negative gain. The statistical results show the NME generated by quantization
error is even larger than 1/3 of the SOTA item, which is a serious obstacle for
making a new breakthrough in face alignment. To compensate the impact of
quantization effect, we propose a novel method, called Heatmap In Heatmap(HIH),
which leverages two categories of heatmaps as label representation to encode
coordinate. And in HIH, the range of one heatmap represents a pixel of the
other category of heatmap. Also, we even combine the face alignment with
solutions of other fields to make a comparison. Extensive experiments on
various benchmarks show the feasibility of HIH and the superior performance
than other solutions. Moreover, the mean error reaches to 4.18 on WFLW, which
exceeds SOTA a lot. Our source code are made publicly available at
supplementary material.
- Abstract（参考訳）: 近年、ヒートマップ回帰モデルは、顔のランドマークを見つける主流となっている。
計算を安価に保ち、メモリ使用量を減らすため、プロセス全体は生画像から出力ヒートマップへのダウンサンプリングを伴う。
しかし、ダウンサンプリングによって導入された量子化エラーは、どの程度の影響をもたらすのか?
その問題は以前の作品の中でほとんど体系的に調べられていない。
この作業は空白を埋め、私たちは初めて負の利得を定量的に分析します。
その結果, 量子化誤差によるNMEはSOTA項目の1/3以上であり, 顔アライメントにおける新たなブレークスルーの障害となることがわかった。
量子化効果の影響を補うために,2種類の熱マップをラベル表現として利用して座標を符号化するHeatmap In Heatmap(HIH)を提案する。
HIHでは、1つの熱マップの範囲は他の熱マップのカテゴリのピクセルを表す。
また、フェイスアライメントを他のフィールドのソリューションと組み合わせて比較することもできます。
様々なベンチマークでの大規模な実験は、HIHが他のソリューションよりも優れていることを示す。
さらに、平均誤差はWFLWの4.18に到達し、SOTAを超える。
ソースコードは補足資料で公開されています。
関連論文リスト
- Lightweight Super-Resolution Head for Human Pose Estimation [42.51588635059534]
ヒートマップに基づく手法がポーズ推定の主流となっている。
しかし、ヒートマップに基づくアプローチは、ダウンスケールのヒートマップを持つ重要な量子化誤差に悩まされる。
本稿では,SRPoseによる量子化誤差の低減と処理後処理への依存性について述べる。
論文 参考訳（メタデータ） (2023-07-31T15:35:34Z) - 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) - 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) - Is 2D Heatmap Representation Even Necessary for Human Pose Estimation? [44.313782042852246]
キーポイント座標(emphSimDR)のための textbfSimple yet promising textbfDisentangled textbfRepresentation を提案する。
本稿では,キーポイント位置に対する水平座標と垂直座標の表現をアンタングル化することを提案する。
論文 参考訳（メタデータ） (2021-07-07T16:20:12Z) - Rethinking the Heatmap Regression for Bottom-up Human Pose Estimation [63.623787834984206]
本稿では,各キーポイントの標準偏差を適応的に調整できるスケール適応型ヒートマップ回帰(SAHR)法を提案する。
SAHRは、前景サンプル間の不均衡を悪化させ、SAHRの改善を損なう可能性がある。
また,重量適応型ヒートマップ回帰(WAHR)を導入し,背景試料のバランスをとる。
論文 参考訳（メタデータ） (2020-12-30T14:39:41Z) - Heatmap Regression via Randomized Rounding [105.75014893647538]
本稿では,サブピクセルローカライゼーション問題に対処する簡易かつ効果的な量子化システムを提案する。
提案システムでは,数値座標の分数部をトレーニング中の確率的アプローチを用いて基底真理熱マップに符号化する。
論文 参考訳（メタデータ） (2020-09-01T04:54:22Z) - 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)
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。