论文:Adaptive Wing Loss for Robust Face Alignment via Heatmap Regression
Github: https://github.com/protossw512/AdaptiveWingLoss
ICCV2019
论文贡献:
- 改进了Wing loss,提出了Adaptive Wing loss,实现了前景和背景的误差平衡
- 提出了编码坐标信息的CoordConv
- 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:
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:
y:groundtruth上的heatmap
y^:预测的heatmap
改进版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
Weighted loss map:
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:
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。
实验结果:
总结:
- 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。
- 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。
- 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。
- CoordConv更像一种attention机制,有助于网络学习到更好的效果。
- Boundary和landmark的相互促进作用。