摘要
本文提出了一种简单而有效的框架——遮挡自适应深度网络（Occlusion-adaptive Deep Networks, ODN），旨在解决人脸关键点检测中的遮挡问题。在该模型中，通过一个可自动学习的蒸馏模块，推断高层特征中每个位置的遮挡概率。该遮挡概率被用作高层特征的自适应权重，以抑制遮挡带来的负面影响，从而获得更干净的特征表示。然而，由于语义信息的缺失，干净的特征表示难以完整表征整个人脸。为获取全面且完整的特征表达，必须引入低秩学习模块以恢复丢失的特征。考虑到人脸几何结构特征有助于低秩模块恢复缺失信息，本文进一步提出一种几何感知模块，用于挖掘不同面部部件之间的几何关系。得益于三个模块之间的协同作用，所提出的网络在多个具有挑战性的基准数据集上，相较于现有最先进方法取得了更优的性能表现。