面部区域的自动标签用于数字临床应用: 一组语义细分模型

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 医学美学 医学美学

背景情况:

• 目前面部美学中的AI受限于难以识别特定的面部区域.
• 现有的面部语义细分模型 (SSM) 细分了有限数量的区域 (3-9).

研究的目的:

• 开发一种新的监督语义细分模型 (SSM),用于详细识别面部区域.
• 提高AI应用在面部美学中的准确性和稳定性.

主要方法:

• 在669张高分辨率临床面部图像上培训了一个受监督的SSM.
• 用面部美学专家和注释者定义和标记33个不同的面部区域.
• 创建了三个不重叠的子模型来应对像素分类的挑战,选择了基于交叉与联盟 (IOU) 的最佳性能模型.

主要成果:

• 开发的SSM成功细分了33个面部区域,克服了以前模型的局限性.
• 为了确保不重叠的区域预测,生成了子模型,并选择了最好的 IOU.
• 与手动注释和传统的地标分析相比,该模型显示出更高的性能.

结论:

• 新的SSM实现了比手动注释和里程碑方法更高的平均 IOU 值.
• 这种先进的SSM在分析各种面部形状和结构时提供了更大的稳定性.
• 通过准确识别详细的面部区域,使面部美学更精确的AI应用成为可能.