【人脸关键点检测论文解读】Facial Landmarks Localization Using Cascaded Neural Networks

论文链接

   论文中提到的一些知识点：

   1、反向传播

   2、CED : NME和数据集比例曲线，衡量在NME达到一定错误率时，已经覆盖的数据集比例，模型的鲁棒性指标

   3、AUC(area under the curve)是ROC曲线下的面积

这篇论文是2021年发表在计算机视觉和 图像理解  （CVIU）上面的


   所提出的级联 CNN (CCNN) 利用了两个成对的级联子网络：热图子网络 (CHCNN) 估计与面部标志对应的粗略但稳健的热图，而级联回归子网络 (CRCNN) 通过回归改进 CHCNN 生成的标志的准确性. 两个级联子网络对齐，以便每个 CHCNN 单元的输出用作相应 CRCNN 单元的输入。这允许对定位点进行迭代细化。CCNN 是一种完全由数据驱动且可 端到端  训练的人脸定位方案。它扩展了之前基于热图的本地化结果（Belagiannis 和 Zisserman，2017 年），实验证明它对头部姿势的大变化具有鲁棒性。此外，当使用最先进的人脸对齐数据集进行评估时，它与当代人脸定位方案相比具有优势。所提出的 CCNN 方案不利用人脸的任何特定外观属性，并且可以应用于其他类别对象的定位。

   这是CCNN的整体框架图

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删