不忘初心~

转载请注明作者和出处： http://blog.youkuaiyun.com/john_bh/文章目录一. 人脸数据汇总表1.人脸检测2.人脸关键点检测3.人脸表情4.年龄与性别5.人脸姿态6.人脸识别二. 常用人脸数据详细介绍1.人脸检测2.人脸关键点检测2.1 CMU Multi-PIE2.2 LFPW2.3 AFLW2.4 Helen2.5 COFW2.6 300W2.7 WFLW3.人脸表情4.年龄与性别5.人脸姿态6.人脸识别一. 人脸数据汇总表1.人脸检测人脸检测是要定位出图像中人脸的位置。

人脸关键点检测相关文献。持续更新中

本文主要对常见的人脸关键点检测评价标准进行了总结。

作者提出了一种 新的拓扑结构深度图学习方法，用于精确的检测如人脸和医学（例如，手，骨盆）的landmark，所提出的方法构造利用局部图像特征和全局形状特征的图形信号。

3FabRec: Fast Few-shot Face alignment by Reconstruction

作者基于注意力机制提出完全卷积的区域架构，专门设计用于预测非常高分辨率的人脸图像上的landmark，而不需要向下采样。主要思路是结合了注意力驱动的裁剪人脸区域，引入可微的 soft-argmax 操作，搭建一个基于人脸区域的全卷积网络 landmark 检测器。

LUVLi：人脸对齐新网络，表现SOTA。优于AWing,AVS和DECaGFa等，并发布新的大型人脸对齐数据集：MERL-RAV.

PFLD算法，目前主流数据集上达到最高精度、ARM安卓机140fps，模型大小仅2.1M!

作者提出提出了一个新的概率模型，该模型引入了一个潜在变量，即语义上一致的‘real’ ground-truth来优化。框架包含两部分：第一部分是训练 landmark 检测的CNN 网络；第二部分是搜索 ‘real’ ground-truth。这两个部分是交替优化的:搜索“real”ground-truth监督CNN的训练;训练的CNN协助寻找 ‘real’ ground-truth。

作者将人脸图像分解为可捕获照明，纹理和图像环境的样式空间，以及样式不变的结构空间，利用 disentangled 的样式和形状空间通过样式转换来增强现有结构 ，有了这些扩充的合成样本，半监督模型出乎意料地胜过了全监督模型。并且在WFLW，300W，COFW，AFLW数据集上表现SOTA。

Adaptive Wing Loss for Robust Face Alignment via Heatmap Regression，这是一篇在人脸关键点检测中基于热图回归的损失函数研究。

通过生成对抗模块将原始人脸图像转换为风格聚合图像，采用风格聚合图像来保持对环境变化具有更强鲁棒性的人脸图像。 将原始人脸图像与风格聚合的人脸图像一起训练 landmark 检测器，原始图像和聚合图像形成互补，提升检测器性能； 提出 300W-Style 和 AFLW-Style 数据集。

论文中提出了Wing loss，用于人脸关键点检测。基于CNN的基于回归的面部界标定位的不同损失函数的系统分析，从经验和理论上比较L1，L2和平滑L1损失函数，发现L1和平滑L1的性能要比广泛使用的L2损失好得多。对于基于CNN的定位模型的训练，应更加关注中小范围误差;提出了一个新的损失函数Wing loss，旨在提高深度网络训练过程中应对小范围和中等范围内的误差的能力；提出了基于姿态的(pose-based)的数据增量策略，可以补偿训练集中头部外平面旋转较大的样本出现的频率较低，主要解决训练数据平衡性

Look at Boundary: A Boundary-Aware Face Alignment Algorithm清华大学和商汤科技提出LAB算法，基于人人脸边界的方法进行人脸关键点定位，思路比较新颖。文章回答了三个问题：1.为什么要使用边缘？ 2.如何使用边缘？ 3.边缘估计与特征点定位之间的关系是什么？

在本文对Facial Landmark Detection进行了广泛的回顾。我们将面部界标检测算法分为三大类：整体方法，约束局部模型（CLM）方法和基于回归的方法。对于每个类别中的算法，讨论它们的基础理论及其差异。在不同的面部表情，头部姿势和遮挡下，还比较了它们在对照和野生基准数据集上的表现。基于评估，我们指出了它们各自的优缺点。还有一个单独的部分，回顾了最新的基于深度学习的算法。

转载请注明作者和出处： http://blog.youkuaiyun.com/john_bh/论文链接:DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection作者及团队：会议及时间： Arxiv 202001code:文章目录Abstract1.IntroductionAbstract免费使用大型公共数据库，再...