通过多专家合作的不确定性意识深度网络进行可解释的面部地标检测.
Jun Wan1, Hui Xi2, Yuanzhi Yao2
1School of Information Engineering, Zhongnan University of Economics and Law, Wuhan, China; College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China.
概括
这项研究引入了一种新的多专家协作不确定性意识深度网络 (MCUDN),用于面部地标检测 (FLD). 通过考虑地标不确定性和增强面部形状约束,MCUDN提高了准确性和可解释性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 热图回归方法主导着面部地标检测 (FLD).
- 当前的方法优化了高斯分布,忽略了地标不确定性.
- 由于面部形状的限制较弱,现有的方法与大姿势和遮作斗争.
研究的目的:
- 开发一个强大的和可解释的深度网络,用于面部地标检测.
- 解决现有热图回归方法在处理不确定性和复杂面部变化的局限性.
主要方法:
- 提出了一个多专家协作不确定性意识深度网络 (MCUDN).
- 引入了不确定性意识回归 (UAR) 以基于不确定性的适应权重基准.
- 开发了多专家协作学习 (MECL) 用于增强面部形状建模.
主要成果:
- 该UAR方法通过惩罚不确定的地标来动态控制本地化梯度.
- MECL提取了协作特征,加强了面部形状的限制.
- 综合的MCUDN框架在基准数据集上表现出卓越的表现.
结论:
- 结合UAR和MECL的MCUDN框架显著提高了面部地标检测的稳定性和可解释性.
- 拟议的方法优于当前最先进的方法,特别是在具有挑战性的条件下.
- 这项工作为面部地标检测提供了更准确,更易于解释的解决方案.
