要約
顔合わせは、データセットによって異なる数の顔のランドマークを局所化するという課題を持つ、活発なコンピュータビジョンの分野です。最先端の顔合わせ手法は、エンドツーエンド回帰または初期推定から始めて形状を段階的に洗練する方法のいずれかで構成されています。本論文では、エンドツーエンドの深層畳み込みカスケードアーキテクチャであるDeCaFA（Deep Convolutional Cascade Architecture for Face Alignment）を導入します。DeCaFAは、カスケード全体で完全な空間解像度を維持するために全畳み込みステージを使用します。各カスケードステージ間では、空間ソフトマックスを使用した複数の連鎖転送層が使用され、それぞれのランドマーク合わせタスクに対してランドマークごとの注意マップを生成します。重み付き中間監督と各ステージ間での効率的な特徴量融合により、エンドツーエンドで注意マップを段階的に洗練することを学習できます。実験結果から、DeCaFAが300W、CelebAおよびWFLWデータベースにおいて既存の手法を大幅に上回ることが示されました。さらに、DeCaFAが粗い注釈データから非常に少ない画像を使用して細かい合わせを合理的な精度で学習できることも示しています。