摘要
关键点检测是面部建模、识别和验证等任务中最重要的预处理步骤之一。在本文中，我们提出了一种通过学习高效H-CNN回归器（KEPLER）来解决无约束面部对齐问题的迭代方法，该方法用于面部关键点估计和姿态预测。近年来，最先进的方法通过使用卷积神经网络（CNNs）在面部关键点检测方面取得了显著改进。尽管简单的前馈神经网络可以学习输入空间和输出空间之间的映射关系，但它无法捕捉到内在的结构依赖性。我们提出了一种新颖的架构，称为H-CNN（热图-卷积神经网络），该架构能够捕获结构化的全局和局部特征，从而有利于精确的关键点检测。H-CNN在面部可见性、标志点和3D姿态上进行了联合训练。随着迭代的进行，误差逐渐减小，梯度变得越来越小，因此需要高效的DCNNs训练以缓解这一问题。KEPLER在前四次迭代中进行全局的姿态和标志点校正，随后进入局部校正阶段。作为副产品，KEPLER还能准确提供面部的3D姿态（俯仰角、偏航角和滚转角）。在本文中，我们展示了KEPLER无需使用任何3D信息，在如AFW和AFLW等具有挑战性的数据集上对齐性能优于现有最先进方法。