關鍵點檢測是計算機視覺中比較重要的任務之一,當前主流的演算法可總結如下:
1、基於coordinate
即將卷積神經網路(cnn)的特徵通過乙個全連線層來回歸關鍵點的座標和對應的置信度資訊,在對卷積
特徵的利用上,逐漸由單層特徵到金字塔特徵轉換,有代表性的演算法為人臉關鍵點檢測的pfld演算法,全稱為:
《pfld:a practical facial landmark detector》
2、基於heatmap
顧名思義,其核心思想是將輸出的特徵層利用卷積來得到各個關鍵點的置信度,即,每個通道代表了某個
關鍵點在輸入上各個位置的置信度,隨後在每個通道上取置信度最大值和對應位置即可;heatmap的生成
方式較多樣,如使用高斯分布將距離關鍵點中心遠的位置設定低點,呈現出輻射狀。
3、基於heatmap + offset
該方法與2中所述方法相似,僅在回歸時加入了座標偏移量,使用這一方式可以將網路輸出特徵圖下取樣至
更小尺度,比較典型的演算法為《towards accurate multi-person pose estimation in the wild》,其在設計
ground truth時,使用了多對一的方式,即將某一點作為中心點,半徑r範圍內的點用來回歸該點。
上述方法主要介紹了關鍵點檢測的一些發展放向,當下關鍵點檢測與目標框檢測的任務融合是一種主流發展方
向。
基於深度學習的 目標檢測 演算法綜述
三部曲,這樣就有兩個難以解決的問題 其一是區域選擇的策略效果差 時間複雜度高 其二是手工提取的特徵魯棒性較差。傳統的區域選擇使用滑窗,每滑乙個視窗檢測一次,相鄰視窗資訊重疊高,檢測速度慢。r cnn 使用乙個啟發式方法 selective search 先生成候選區域再檢測,降低資訊冗餘程度,從而提...
人臉關鍵點檢測綜述
目錄 1.前言 2 人臉檢測資料集 3.人臉檢測方法 4.鏈結以及部分部落格解讀鏈結 根據知乎專欄 整理出來的 綜述。馬住慢慢看總結。序號 時間主要方法 優點缺點1 an introduction to active shape models 1995 asm模型簡單直接,架構清晰明確,易於理解和應...
人體關鍵點檢測綜述
宣告 本文主要內容 於 人體姿態估計 human pose estimation 也稱為人體關鍵點檢測 human keypoints detection 對於人體姿態估計的研究,大致可做如下分類。1.rgb vs rgbd 後者多一項depth資訊,常用於3d人體姿態估計的研究。2.2d huma...