######《Stacked Hourglass Network for Robust Facial Landmark Localisation》
- CVPR2017, Jing Yang 、Qingshan Liu
本文提出的方法主要由两部分构成,face transformation和stacked Hourglass Networks。
第一步:supervised face transformation
目的是减弱数据中大姿态的变化对人脸对齐的影响。通过平移、缩放、旋转变化来校正成平均人脸图像,通过5点的关键点来完成,使用相似变换进行校正图像。
第二步:four stacked Hourglass Networks
Houglass网络能够提取多尺度具有辨别力的特征,也可以作为一个回归器去定位最后的关键点坐标。
整体结构:
Hourglass结构:
结构中参数比较清晰,仅改变深度,不改变尺寸,可以作为一种比较高级的卷积层。
损失函数:L2 loss
评价标准:
总结:
论文结构比较清晰,方法类似于2D-FAN,但前端增加了一个校正结构,更好的处理大姿态的人脸对齐。