结合CNN和马尔科夫式模型来检测面部地标与空间一致性的估计

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 生物识别信息 生物识别信息

背景情况:

• 准确的面部地标定位对于面部识别和情绪检测等各种应用至关重要.
• 当前的模型经常在所有可用的地标上进行训练,导致效率低下和性能限制,原因是尺寸依赖的外观和全球形状信息.
• 任务特定的里程碑要求往往被忽视,以支持对综合数据集的培训.

研究的目的:

• 开发一个轻量级的混合模型用于面部地标检测,特别优化用于瞳孔区域提取.
• 通过对精心挑选的一组缩小的地标进行训练来提高模型效率 (17).
• 通过结合规模不变特征和空间一致性验证来提高稳定性和准确性.

主要方法:

• 这是一种混合方法,将卷积神经网络 (CNN) 与类似马尔科夫随机场 (MRF) 的过程结合起来.
• 培训仅针对17个选定的面部标志,重点是瞳孔区域的提取.
• 使用MRF近似来对学习条件分布进行空间一致性验证.

主要成果:

• 在包括300w,WFLW和HELEN在内的基准数据集上证明了准确性.
• 在定义的强度指标上实现了最先进的性能.
• 尽管使用较少的训练地标,但成功过了空间不一致的预测.

结论:

• 拟议的轻量级混合型号为面部地标检测提供了高效和准确的解决方案,特别是在瞳孔提取方面.
• 该模型处理尺度变化和验证空间一致性的能力有助于其稳定性.
• 减少里程碑培训显著提高效率而不会影响性能,使其适合资源有限的应用.