动态注意力控制的级联形状回归利用训练数据增强和模糊集样本加权

我们提出了一种新的级联形状回归（Cascaded Shape Regression, CSR）架构，即动态注意力控制的CSR（Dynamic Attention-Controlled CSR, DAC-CSR），用于在无约束条件下鲁棒地检测面部特征点。我们的DAC-CSR将面部特征点检测分为三个级联子任务：人脸边界框精调、通用CSR和注意力控制的CSR。前两个阶段对初始的人脸边界框进行精调并输出中间的面部特征点。随后，采用在线动态模型选择方法来挑选合适的特定领域CSR以进一步精调特征点。我们提出的DAC-CSR的关键创新在于其容错机制，通过模糊集样本加权来进行注意力控制的特定领域模型训练。此外，我们提倡使用一种简单但有效的2D侧面脸生成器进行数据增强，并采用上下文感知的特征提取方法以获得更好的面部特征表示。实验结果表明，在具有挑战性的数据集上，我们的DAC-CSR相比现有最先进方法具有显著优势。