Select Language

AI社区

公开数据集

姿态不变面对齐(PIFA)的数据集, 应用于人脸对齐人脸对准

姿态不变面对齐(PIFA)的数据集, 应用于人脸对齐人脸对准

2.89G
627 浏览
2 喜欢
0 次下载
0 条讨论
Person 2D Box

面部对齐是将监督学习模型应用于面部图像并估计一组面部标志(例如眼角、嘴角等)的位置的过程。面部对齐是大多数面部分析算法流......

数据结构 ? 2.89G

    Data Structure ?

    * 以上分析是由系统提取分析形成的结果,具体实际数据为准。

    README.md

    面部对齐是将监督学习模型应用于面部图像并估计一组面部标志(例如眼角、嘴角等)的位置的过程。面部对齐是大多数面部分析算法流程中的一个关键模块,通常在面部检测之后以及随后的特征提取和分类之前。因此,这是一种具有多种应用的使能能力,例如人脸识别、表情识别、人脸去识别等。尽管对准精度不断提高,但由于非正面人脸姿态、低图像质量、遮挡等,人脸对准仍然是一个极具挑战性的问题,出于一些原因,我们认为姿态不变的人脸对齐是值得进行大量研究的方法。
    如图1所示,受解决姿势变化的需求以及处理姿势方面缺乏先前工作的激励,我们提出了一种基于回归的新的姿势不变人脸对齐方法,其目的是估计具有任意姿势的人脸(例如,-90<偏航<+90)的人脸地标的2D和3D位置及其在2D图像中的可见性。

    PIFA Introduction

    图1:给定具有任意姿态的人脸图像,我们提出的算法自动估计面部标志以及3D标志的2D位置和可见性。为中心的图像估计所显示的3D界标。绿色/红色点表示可见/不可见地标。

    Proposed Method                                                                                                                                                                  

    我们提出的PIFA方法的总体架构如图2所示。我们首先从一组标记的3D扫描中学习3D点分布模型(3DPDM),其中图像上的一组2D界标可以被视为3DPDM实例的投影(即,3D界标)。对于每个2D训练人脸图像,我们假设存在手动标记的2D界标及其可见性,以及相应的3D地面实况3D界标和相机投影矩阵。给定训练图像和2D/3D地面真相,我们训练一个级联耦合回归器,该回归器由每个级联层的两个回归器组成,用于分别估计3DPDM系数和投影矩阵的更新。最后,通过3D表面法线的领域知识自动计算投影的3D地标的可见性,并将其纳入回归学习过程。

    PIFA Overview

                                                                                                                                                                                                                                                                                                        图2:我们提出的PIFA方法的总体架构,包括三个主要模块(3D建模、级联耦合回归学习和3D表面支持可见性估计)。绿色/红色箭头表示指向/远离摄影机的曲面法线。

    Qualitative results

    如图3所示,尽管姿态范围很大,-90<偏航<+90,但我们的算法在对齐地标方面做得很好,并正确预测地标可见性。如果您将相同的平均形状(2D界标)用作所有测试图像的初始化,则这些结果尤其令人印象深刻,因为相对于其最终界标估计,这些图像具有非常大的变形。

    AFLW results

    图3:AFLW数据库的测试结果。如顶行所示,我们通过在每个图像的给定边界框中放置2D平均形状来初始化面部对齐。注意初始界标和最终估计界标之间的差异,以及图像之间姿态、照明和分辨率的差异。绿色/红色点表示可见/不可见的估计界标。

    Publications

    • Dense Face Alignment
             Yaojie Liu,        Amin Jourabloo,        William Ren,        Xiaoming Liu
             In Proceeding of International Conference on Computer Vision Workshops (ICCVW 2017), Venice, Italy, Oct. 2017    
         Bibtex        | PDF        | arXiv        | Poster        | Code

    • Pose-Invariant Face Alignment with a Single CNN
             Amin Jourabloo,        Xiaoming Liu,        Mao Ye,        Liu Ren
             In Proceeding of International Conference on Computer Vision (ICCV 2017), Venice, Italy, Oct. 2017    
         Bibtex        | PDF

    • Pose-Invariant Face Alignment via CNN-based Dense 3D Model Fitting
             Amin Jourabloo,        Xiaoming Liu
             International Journal of Computer Vision, Vol. 124, No. 2,  pp.187-203, , Apr. 2017    
         Bibtex        | PDF

    • Large-pose Face Alignment via CNN-based Dense 3D Model Fitting
             Amin Jourabloo,        Xiaoming Liu
             Proc. IEEE Computer Vision and Pattern Recogntion (CVPR 2016), Las Vegas, NV, Jun. 2016    
         Bibtex        | PDF        | Poster

    • Pose-Invariant 3D Face Alignment
             Amin Jourabloo,        Xiaoming Liu
             Proc. International Conference on Computer Vision (ICCV 2015), Santiago, Chile, Dec. 2015    
         Bibtex        | PDF        | Poster


    ×

    帕依提提提温馨提示

    该数据集正在整理中,为您准备了其他渠道,请您使用

    注:部分数据正在处理中,未能直接提供下载,还请大家理解和支持。
    暂无相关内容。
    暂无相关内容。
    • 分享你的想法
    去分享你的想法~~

    全部内容

      欢迎交流分享
      开始分享您的观点和意见,和大家一起交流分享.
    所需积分:25 去赚积分?
    • 627浏览
    • 0下载
    • 2点赞
    • 收藏
    • 分享