本文介绍了利用深度卷积网络（CNN）进行人脸关键点检测的方法，通过三级卷积网络逐步提高定位精度。网络设计考虑了人脸全局特征和关键点间的几何约束，能有效应对遮挡、大姿态变化和极端光照。实验表明该方法在准确性和可靠性上超越了现有技术。讨论了结构、权重初始化、训练样本、ReLU函数使用和学习率对训练效果的影响，并提供了初步实现的代码链接。
CNN人脸关键点检测
参考文献《Deep Convolutional Network Cascade for Facial Point Detection》\
摘要
提出一种利用精心设计的三级/三层(three-level)卷积网络估计面部关键点位置的新方法。
At each level，多网络(multiple networks)的输出是鲁棒性和精确估计的保证。
卷积网络的深层结构助于定位高精度的关键点，全局高层次的特征基于整个人脸面部在初始化阶段提取。
优势一，整个人脸的纹理上下文信息用来定位每个关键点。
优势二、因为网络被训练来用于同时预测所有的关键点，关键点间的几何约束被隐式的编码。
所以，该方法可以避免由歧义和数据损坏引起的局部极小(in difficult image samples due to occlusions, large pose variations, and extreme lightings
最低0.47元/天 解锁文章
扫一扫
2611
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
