초록
얼굴 정렬은 여러 데이터셋에 따라 다양한 얼굴 랜드마크를 위치시키는 활발한 컴퓨터 비전 분야입니다. 최신의 얼굴 정렬 방법들은 주로 단계적인 개선을 통해 초기 추정치에서 시작하여 형태를 세부적으로 수정하거나, 또는 전체적으로 회귀하는 방식으로 구성됩니다. 본 논문에서는 DeCaFA(Deep Convolutional Cascade Architecture for Face Alignment)라는 이름의 단계적 깊은 합성곱 캐스케이드 구조를 제안합니다. DeCaFA는 캐스케이드 전반에 걸쳐 전체 공간 해상도를 유지하기 위해 완전 합성곱 단계를 사용합니다. 각 캐스케이드 단계 사이에서 DeCaFA는 공간 소프트맥스를 사용하는 여러 연결된 전송 계층을 통해 각각의 여러 랜드마크 정렬 작업에 대한 랜드마크별 주목도 맵을 생성합니다. 가중 중간 감독과 단계 간 효율적인 특징 융합은 전체적으로 주목도 맵을 점진적으로 개선하도록 학습할 수 있도록 합니다. 실험 결과, DeCaFA는 300W, CelebA 및 WFLW 데이터베이스에서 기존 접근법보다 현저히 우수한 성능을 보임을 확인하였습니다. 또한, DeCaFA가 매우 적은 이미지와 대략적으로 주석화된 데이터를 사용하여도 합리적인 정확도로 미세한 정렬을 학습할 수 있음을 보여주었습니다.