論文の概要: FreeEnricher: Enriching Face Landmarks without Additional Cost
- arxiv url: http://arxiv.org/abs/2212.09525v1
- Date: Mon, 19 Dec 2022 15:14:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 17:50:11.687865
- Title: FreeEnricher: Enriching Face Landmarks without Additional Cost
- Title(参考訳): FreeEnricher: 追加費用なしで顔のランドマークを充実させる
- Authors: Yangyu Huang, Xi Chen, Jongyoo Kim, Hao Yang, Chong Li, Jiaolong Yang,
Dong Chen
- Abstract要約: 既存のスパースランドマークデータセットによってランドマーク密度を拡張できるフレームワークを提案する。
そこで,本論文では,従来のスパースランドマークの洗練能力を学習し,この能力を高密度ランドマークに適応させるという,弱教師付きアイデアを提案する。
提案手法は, 新たに構築した高密度300Wテストセットだけでなく, 元のスパース300WテストセットやWFLWテストセットにおいても, 最先端の精度が得られる。
- 参考スコア(独自算出の注目度): 37.35585241747657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed significant growth of face alignment. Though
dense facial landmark is highly demanded in various scenarios, e.g., cosmetic
medicine and facial beautification, most works only consider sparse face
alignment. To address this problem, we present a framework that can enrich
landmark density by existing sparse landmark datasets, e.g., 300W with 68
points and WFLW with 98 points. Firstly, we observe that the local patches
along each semantic contour are highly similar in appearance. Then, we propose
a weakly-supervised idea of learning the refinement ability on original sparse
landmarks and adapting this ability to enriched dense landmarks. Meanwhile,
several operators are devised and organized together to implement the idea.
Finally, the trained model is applied as a plug-and-play module to the existing
face alignment networks. To evaluate our method, we manually label the dense
landmarks on 300W testset. Our method yields state-of-the-art accuracy not only
in newly-constructed dense 300W testset but also in the original sparse 300W
and WFLW testsets without additional cost.
- Abstract(参考訳): 近年では顔のアライメントが著しく成長している。
濃密な顔のランドマークは化粧品や顔の美化など様々なシナリオで非常に要求されているが、ほとんどの研究はまばらな顔のアライメントしか考慮していない。
この問題に対処するために,68点の300W,98点のWFLWなど,既存のスパースランドマークデータセットによるランドマーク密度を向上するフレームワークを提案する。
まず,各セマンティックな輪郭に沿った局所的なパッチは外観的に非常によく似ている。
そこで,本研究では,従来の希薄なランドマークの洗練能力を学習し,密集したランドマークに適応させるという,弱教師付きアイデアを提案する。
一方、いくつかのオペレーターが開発され、そのアイデアを実装するために組織化されている。
最後に、トレーニングされたモデルを既存の顔アライメントネットワークのプラグアンドプレイモジュールとして適用する。
提案手法を評価するため,300Wテストセットに高密度ランドマークを手動でラベル付けした。
提案手法は,新たに構築した高密度300Wテストセットだけでなく,従来のスパルス300WテストセットやWFLWテストセットにおいても,コストを伴わずに最先端の精度が得られる。
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) - From Keypoints to Object Landmarks via Self-Training Correspondence: A
novel approach to Unsupervised Landmark Discovery [37.78933209094847]
本稿ではオブジェクトランドマーク検出器の教師なし学習のための新しいパラダイムを提案する。
我々はLS3D、BBCPose、Human3.6M、PennActionなどの難解なデータセットに対して本手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-05-31T15:44:29Z) - Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。
そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。
本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
論文 参考訳(メタデータ) (2022-04-22T09:45:20Z) - 3D face reconstruction with dense landmarks [7.33116352373381]
目と歯を含む頭部全体をカバーし, いつもの10倍のランドマークを正確に予測する最初の方法を提案する。
これは完全なランドマークアノテーションを保証する合成トレーニングデータを使用して達成される。
単眼と多眼の両方のシナリオにおいて,顔の形状を正確に表現し,顔の形状情報をフレーム間で統合するための理想的な信号として,濃密なランドマークが有用であることを示す。
論文 参考訳(メタデータ) (2022-04-06T12:43:34Z) - Sparse Local Patch Transformer for Robust Face Alignment and Landmarks
Inherent Relation Learning [11.150290581561725]
固有関係を学習するためのスパース局所パッチ変換器(S)を提案する。
提案手法は計算量が少なくて最先端のレベルで機能する。
論文 参考訳(メタデータ) (2022-03-13T01:15:23Z) - Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。
最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。
これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。
合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
論文 参考訳(メタデータ) (2021-10-06T16:31:20Z) - 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) - 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) - 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) - PropagationNet: Propagate Points to Curve to Learn Structure Information [79.65125870257009]
熱マップ回帰に基づく構造注入型顔アライメントアルゴリズムを提案する。
また,地中条件下での採鉱・採鉱の難しさを強調したFocal Wing Lossを提案する。
提案手法では,WFLWでは平均誤差が4.05%,300Wでは平均誤差が2.93%,COFWでは平均誤差が3.71%となる。
論文 参考訳(メタデータ) (2020-06-25T11:08:59Z)
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。