라플라스 랜드마크 위치 결정

이미지와 비디오에서 랜드마크 위치 결정은 다양한 방법으로 해결되어 온 고전적인 문제입니다. 최근에는 딥 네트워크가 머신 러닝 전반에 걸쳐 우세를 점하고 있어, 얼굴 랜드마크 검출 기술을 더욱 도전적인 데이터 처리에 적용하려는 관심이 재점화되고 있습니다. 대부분의 연구에서는 L1 또는 L2 노름을 기반으로 하는 네트워크 목표를 사용하지만, 이들에는 여러 가지 단점이 있습니다. 첫째, 랜드마크의 위치는 생성된 히트맵(즉, 신뢰도 맵)에서 예측된 랜드마크 위치(즉, 평균)가 분산을 고려하지 않고 처벌됩니다: 높은 산포는 낮은 신뢰도를 의미하며 그 반대의 경우도 같습니다. 이를 해결하기 위해 우리는 낮은 신뢰도를 처벌하는 LaplaceKL 목적함수를 소개합니다. 또 다른 문제는 비싼 비용과 오류에 취약한 라벨링된 데이터에 대한 의존성입니다. 이러한 두 가지 문제를 해결하기 위해 우리는 라벨링되지 않은 데이터를 활용하여 모델 성능을 개선하는 적대적 학습 프레임워크를 제안합니다. 우리의 방법은 300W 벤치마크에서 최고 수준의 성능을 보이며, Annotated Facial Landmarks in the Wild (AFLW) 데이터셋에서는 두 번째로 최고의 성능을 나타냅니다. 또한, 우리의 모델은 크기가 줄어든 상태에서도 강건성을 유지하며, 채널 수가 1/8(즉, 0.0398MB)인 경우 CPU 상에서 실시간으로 최고 수준의 성능과 비교할 만합니다. 따라서, 우리의 방법이 실제 응용 분야에서 매우 실용적 가치가 있음을 보여줍니다.