论文阅读
文章平均质量分 90
夏生_
这个作者很懒,什么都没留下…
展开
-
【论文阅读】人脸对齐|特征点定位《3FabRec: Fast Few-shot Face alignment by Reconstruction》
摘要目前有监督的人脸特征点检测方法需要大量的训练数据,且由于参数量大,容易在特定的数据集上过拟合。论文引入了半监督学习,其关键思想是从现有的大量未标记的人脸图像中生成隐含的人脸知识。首先在完全无监督的阶段,训练一个对抗自编码器通过低维的人脸嵌入来重建人脸。然后在监督学习阶段,将解码器与传输层交错,以重新处理彩色图像的生成,预测特征点热图。我们的框架(3FabRec)在几个常见基准上实现了最先进的性能,最重要的是,能够在极少训练集上保持惊人的准确性,少至仅10张图像。由于交错层只向解码器添加少量参数,整个推原创 2021-02-07 22:46:03 · 478 阅读 · 0 评论 -
【论文阅读】AU检测|《Deep Adaptive Attention for Joint Facial Action Unit Detection and Face Alignment》
摘要本文旨在从大量没有人工标注的视频中学习用于面部动作单元检测的区分表示。受面部动作是面部肌肉运动这一事实的启发,论文将这些运动描述为不同帧中两幅面部图像之间的转换,并将其用作学习表示的自我监控信号。但是,在不受控制的情况下,这种转换是由面部动作和头部运动引起的。为了消除头部运动的影响,我们提出了一个双圈自动编码器(TCAE),它可以解开面部动作相关运动和头部运动相关运动。具体而言,TCAE被训练成分别将源面部的面部动作和头部姿态改变为目标面部的面部动作和头部姿态。我们的实验验证了TCAE解耦运动的能力。原创 2021-01-31 22:09:54 · 3338 阅读 · 0 评论 -
【论文阅读】AU检测《Learning Representations for Facial Actions from Unlabeled Videos》
面部动作通常被编码为基于解剖学的动作单元(AUs),标记这些动作单元需要专业知识,因此既耗时又昂贵。为了缓解标签需求,论文建议利用大量的未标签视频,通过所提出的Twin-cycle Autoencoder(TAE)来学习面部动作的区别表示。TAE的提出,是基于面部动作是嵌入在视频中两个连续的面部图像(在下文中,称为“源”和“目标)”之间的像素位移中的。因此,学习面部动作的表征可以通过学习位移的表征来实现。然而,面部动作引起的位移与头部动作引起的位移是纠缠在一起的。因此,TAE便是训练来解开这两种运动的,即当原创 2021-01-29 22:26:23 · 951 阅读 · 0 评论