Attentive One-Dimensional Heatmap Regression for Facial Landmark Detection and Tracking阅读笔记

用于面部关键点检测和跟踪的一维热图回归

ACM2020
论文链接
代码貌似未开源
本阅读笔记主要关注面部关键点检测。

摘要： 热图回归是面部关键点检测的sota方法，但其空间复杂性巨大，且易产生量化误差。本文提出用一维热图回归面部关键点来解决此问题。① 先预测两组一维热图分别表示x，y坐标的边缘分布（边缘分布（Marginal Distribution）只考虑其中部分变量的概率分布。），相比于用2D热图表示x和y坐标的联合分布（联合分布就是同时考虑XY变化的概率分布），1D热图显著降低了空间复杂性。该方法的空间复杂度要低得多，因此可以输出高分辨率1D热图来降低量化误差。② 采用 co-attention 机制建模x和y坐标中固有空间模式，捕获了x和y轴上的联合分布。③ 基于1D热图结构，本文提出了一个面部关键点检测器与跟踪器。在四个数据集上的实验结果证明了本方法的优越性。