【论文笔记】人脸关键点检测_简略版（时时更新中...）

20160123

Zhang J, Kan M, Shan S, et al. Leveraging Datasets With Varying Annotations for Face Alignment via Deep Regression Network[C]//Proceedings of the IEEE International Conference on Computer Vision. 2015: 3801-3809.

网上人脸关键点的数据集很多，但标注标准却往往不统一、标定点数也不尽相同。将这些数据合并起来非常重要，但是训练一个统一的模型却比较困难。这篇文章提出了一种基于深度回归网络（deep regression network）和稀疏形状回归方法，能够在不同点数的数据集上训练一个统一的关键点检测模型，同时能够取得比单个训练集更好的结果。

20160115

1. Jourabloo A, Liu X. Pose-invariant 3d face alignment[C]//Proceedings of the IEEE International Conference on Computer Vision. 2015: 3694-3702.

PIFA通过一个可变的人脸3D模型，在回归过程中引入更多的变量，如摄像头投影矩阵、3D关键点等，实现不同角度下（yaw大至90°）的人脸关键点检测，同时能够自动估计2D关键点的可见度。速度较慢。

2. Zhang Z, Luo P, Loy C C, et al. Facial landmark detection by deep multi-task learning[M]//Computer Vision–ECCV 2014. Springer International Publishing, 2014: 94-108.

TCDCN 未将关键点检测看作是一个孤立的问题来解决，而是加入了其它相关属性，如人脸姿态、性别、表情等属性，通过多任务的深度学习网络来训练，对大角度（yaw大至60°）、脸部有遮挡、表情等人脸的关键点的检测准确率非常高，同时作为初始化也能提高其它算法的性能。在GPU机器仅耗时1.5ms。