使用差异优化驱动的面部异常评估自动化Inpainting

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 面部异常需要客观和一致的评估.
• 目前评估面部异常的方法缺乏普遍标准化.
• 自动化系统可以帮助客观分析面部形.

研究的目的:

• 开发一种机器学习框架,用于检测,定位和评分面部异常.
• 建立面部异常的客观和普遍措施.
• 创建一个快速的,自动化系统,用于面部正常性评估.

主要方法:

• 采用了增强的双相自动涂装,用于面部正常化.
• 使用知识蒸来估计用于inpainting的异常热图.
• 使用深度卷积神经网络 (CNN) 进行特征提取和比较.
• 创建了一个最终的热图来得分面部正常性.

主要成果:

• 取得的结果与标准化中最先进的方法相美.
• 证明每张图像的处理时间不到1秒.
• 人工智能分数与人类判断之间的高相关性 (92%).
• 验证了模型在不需要异常训练数据的情况下检测异常的能力.

结论:

• 拟议的框架为评估面部异常提供了一种快速和客观的方法.
• 该系统适合移动应用部署,因为它的速度和效率.
• 这种人工智能驱动的方法提供了可靠的面部正常性得分,与人类的感知保持一致.