学术不端文献查重检测系统 多语种 图文 高校 期刊 职称 查重 抄袭检测系统
除了out-of-plane head rotations外,人脸关键点检测的准确性还有其他因素,例如:in-plane head rotations,不准确的bounding box。 为了解决这个问题,作者提出了两阶段人脸关键点检测的框架。
该论文由港中文的孙祎、王晓刚、汤晓鸥提出,应该是最早使用 CNN 进行人脸关键点检测的论文之一了。 在论文中,作者设计了 Three-level cascaded CNNs 用于人脸关键点检测(5 Points):Left Eye Center (LE),Right Eye Center (RE),Nose Tip (N),Left Mouth Corner (LM),Right Mouth Corner (RM)。 在模型的各个 level 中,模型会对各个人脸关键点做多次预测,取其平均值。
常见的人脸关键点检测算法中,其损失函数一般都是 L2 Loss(如下图左侧所示,其中的 用来控制各个关键点的权重)。 作者考虑到现有数据集中极端情况的样本数量少,故对旋转角度大的样本给予更大的 Loss 权重(如下图右侧所示,),以此缓解所存在的数据样本分布不平衡的问题。
这表明了(1)人脸检测和对准会严重影响人脸识别性能,并且(2)对于人脸识别应用,RetinaFace比MTCNN具有更强的基准。 在图9中,我们在每个图例的末尾显示了IJB-C数据集上的ROC曲线以及FAR = 1e-6的TAR。