DL之FAN：FAN人脸对齐网络(Face Alignment depth Network)的论文简介、案例应用之详细攻略

2022-07-25 227

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： DL之FAN：FAN人脸对齐网络(Face Alignment depth Network)的论文简介、案例应用之详细攻略

FAN人脸对齐网络(Face Alignment depth Network)的论文简介

FAN人脸对齐网络(Face Alignment depth Network)的案例应用

DL之FAN：FAN人脸对齐网络(Face Alignment depth Network)的论文简介、案例应用之详细攻略

FAN人脸对齐网络(Face Alignment depth Network)的论文简介

随着深度学习的到来和大型注释数据集的发展，最近的工作已经显示出前所未有的准确性，甚至在最具挑战性的计算机视觉任务的结果。在这项工作中，我们重点关注landmark 定位，特别是面部landmark 定位，也被称为面部对齐，可以说是过去几十年计算机视觉中研究最多的主题之一。最近使用卷积神经网络(CNNs)进行地标定位的工作已经在其他领域如人体姿态估计[39,38,24,17,27,42,23,5]中突破了界限，但目前还不清楚在人脸对齐方面取得了什么进展。这项工作的目的是解决这个差距在文学。历史上，根据手头的任务不同，使用了不同的技术来进行landmark 定位。例如，在神经网络出现之前，人类姿态估计的工作主要基于图像结构[12]和复杂的扩展[44、25、36、32、26]，因为它们能够模拟大的外观变化并适应广泛的人类姿态。然而，这种方法还没有被证明能够达到用于面部对准任务的级联回归方法所显示的高度准确性[11,8,43,50,41]。另一方面，在初始化不准确的情况下，级联回归方法的性能会下降，当有大量自聚焦landmark 或大的面内旋转时，会出现较大的(和不熟悉的)面部姿势。