人脸对齐之Adaptive Wing Loss

时间:2024-03-24 14:59:35

论文:Adaptive Wing Loss for Robust Face Alignment via Heatmap Regression

Github: https://github.com/protossw512/AdaptiveWingLoss

 

ICCV2019

 

论文贡献:

  1. 改进了Wing loss,提出了Adaptive Wing loss,实现了前景和背景的误差平衡
  2. 提出了编码坐标信息的CoordConv
  3. 提出了将关键点的边界Boundary和关键点landmark一起训练的思路。

 

整体网络结构:

人脸对齐之Adaptive Wing Loss

整体模型结构N=4个hourglass模块。输入图像大小为256*256,输出图像大小为64*64。

输入图像为人脸检测得到的图像,会对该图像进行长宽各10%的扩充。

预测的特征图包含c个通道的landmarks和1个通道的boundary。其中,landmarks表示人脸关键点,一个channel预测一个点,boundary表示人脸轮廓的分割的线。Landmarks+boundary一起预测有助于促进网络学习的更好。

 

传统的Wing loss

人脸对齐之Adaptive Wing Loss

y:groundtruth上的heatmap

y^:预测的heatmap

 

改进版Adaptive Wing loss

人脸对齐之Adaptive Wing Loss

w:正数,等于14

θ:正数,等于0.5

e:正数,等于1
α :大于2的数,等于 2.1

人脸对齐之Adaptive Wing Loss

 

Weighted loss map:

人脸对齐之Adaptive Wing Loss

其中,W = 10

这样设置loss,可以使得前景(经过高斯处理的关键点位置)获得比背景区域更大的loss传递。

 

Coordinate aggregation

人脸对齐之Adaptive Wing Loss

人脸对齐之Adaptive Wing Loss

 

其他:

本文的方法,人脸关键点的检测也可以应用于人体关键点的检测,也会有不错的效果。

人脸对齐之Adaptive Wing Loss

 

实验结果:

人脸对齐之Adaptive Wing Loss

 

总结:

  1. 基于heatmap的关键点预测的方法精度会远高于基于回归的方法。缺点就是最后的参数量大。
  2. Adaptive Wing loss可以应用于好多关键点回归的程序,比如人体关键点回归的。
  3. Weighted Loss Map有助于使得前景回传更大的loss,背景传递更小的loss,使得训练效果更好。
  4. CoordConv更像一种attention机制,有助于网络学习到更好的效果。
  5. Boundary和landmark的相互促进作用。