論文の概要: Subpixel Heatmap Regression for Facial Landmark Localization
- arxiv url: http://arxiv.org/abs/2111.02360v1
- Date: Wed, 3 Nov 2021 17:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 13:46:09.279896
- Title: Subpixel Heatmap Regression for Facial Landmark Localization
- Title（参考訳）: 顔のランドマーク位置推定のためのサブピクセル・ヒートマップ・レグレッション
- Authors: Adrian Bulat and Enrique Sanchez and Georgios Tzimiropoulos
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 65.41270740933656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning models based on heatmap regression have revolutionized the task
of facial landmark localization with existing models working robustly under
large poses, non-uniform illumination and shadows, occlusions and
self-occlusions, low resolution and blur. However, despite their wide adoption,
heatmap regression approaches suffer from discretization-induced errors related
to both the heatmap encoding and decoding process. In this work we show that
these errors have a surprisingly large negative impact on facial alignment
accuracy. To alleviate this problem, we propose a new approach for the heatmap
encoding and decoding process by leveraging the underlying continuous
distribution. To take full advantage of the newly proposed encoding-decoding
mechanism, we also introduce a Siamese-based training that enforces heatmap
consistency across various geometric image transformations. Our approach offers
noticeable gains across multiple datasets setting a new state-of-the-art result
in facial landmark localization. Code alongside the pretrained models will be
made available at https://www.adrianbulat.com/face-alignment
- Abstract（参考訳）: ヒートマップ回帰に基づくディープラーニングモデルは、既存のモデルが大きなポーズ、非一様照明と影、オクルージョンと自己排他性、低解像度、ぼやけの下で頑健に動作することによって、顔のランドマークのローカライズというタスクに革命をもたらした。
しかし、熱マップ回帰手法は広く採用されているにもかかわらず、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ている。
本研究では,これらの誤りが顔のアライメント精度に驚くほど大きな悪影響を及ぼすことを示す。
この問題を軽減するため,本手法では,基礎となる連続分布を活用し,ヒートマップ符号化と復号化の新たな手法を提案する。
新たに提案した符号化復号機構をフル活用するために,様々な幾何学的画像変換における熱マップの整合性を実現するシームズに基づくトレーニングを導入する。
当社のアプローチでは,複数のデータセットにまたがって,新たな最先端の結果が顔ランドマークのローカライズを可能にする。
事前トレーニングされたモデルとともに、コードはhttps://www.adrianbulat.com/face-alignmentで利用可能になる。
関連論文リスト
- CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Sub-pixel face landmarks using heatmaps and a bag of tricks [0.0]
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。
論文 参考訳（メタデータ） (2021-03-04T14:34:20Z) - 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) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。