CFAN-实时人脸配准实现思路_coarse-to-fine auto-encoder networks (cfan) for re-CSDN博客

本文链接：https://blog.csdn.net/hiterdu/article/details/44059441

本文介绍了CFAN（Coarse-to-Fine Auto-Encoder Networks）在实时人脸配准中的应用。该模型由四个级联的自编码器网络组成，逐步细化特征点定位。每个网络具有四层，使用sigmoid激活，最后一个层为线性激活。通过无监督预训练和有监督全局训练优化参数，以增强模型泛化能力。在测试中，模型展示了良好的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实习要做的深度学习的项目，先看论文预热一下：

Coarse-to-Fine Auto-Encoder Networks (CFAN) for Real-Time Face Alignment

Jie Zhang 1,2 , Shiguang Shan 1 , Meina Kan 1 , and Xilin Chen 1
1 Key Lab of Intelligent Information Processing of Chinese Academy of Sciences
(CAS), Institute of Computing Technology, CAS, Beijing 100190, China

2 University of Chinese Academy of Sciences, Beijing 100049, China

1.CFAN由4个级连的SAN网络构成，每个都是四层网络，三个隐层，用sigmoid激活，最后一层为线性激活。每一个SAN的输出图像分辨率逐渐变大，定位逐渐逼近精准。

第一个全局SAN用于粗定位68个形状特征点，输入为50*50的低分辨率图像，即2500个输入单元，最终输出为68个形状特征点的位置，即68*2=136个输出元素。中间层分别为1600,900,400个单元。

三个局部SAN的输入为68个特征点在高分辨率图中从周围区域提取出来的形状索引特征(SIFT)。输出仍然为逐步校正后的136个特征位置。原始输入应该是从每个形状特征点周围提取了128个SIFT特征，即共68*128=8704个特征，太大，采用PCA的方法，分别降维到了1695、2418、2440输入元素。中间层分别为1296,784,400个单元。

2.SAN的训练采用先用无监督的预训练进行分层训练，粗调参数（可采用sparse autoencoder的方法来预训练），然