摘要
面部关键点定位旨在检测人脸的预定义特征点，近年来随着基于神经网络的方法快速发展，该领域取得了显著进展。然而，在非受限场景下，尤其是面对大姿态变化时，该任务仍面临巨大挑战。本文针对大姿态下的人脸关键点定位问题，提出一种基于“拆分-聚合”策略的解决方案。为有效缩小搜索空间，我们设计了一组锚点模板作为回归参考，能够很好地应对人脸姿态的大幅变化。在此基础上，针对每个锚点模板的预测结果，我们进一步提出一种聚合机制，以降低因大姿态带来的关键点定位不确定性。总体而言，所提出的名为 AnchorFace 的方法在四个具有挑战性的基准数据集（AFLW、300W、Menpo 和 WFLW）上均取得了当前最优的性能，同时具备极高的推理效率。代码将开源，地址为：https://github.com/nothingelse92/AnchorFace。
代码仓库
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| face-alignment-on-300w | AnchorFace | NME_inter-ocular (%, Challenge): 6.19 NME_inter-ocular (%, Common): 3.12 NME_inter-ocular (%, Full): 3.72 |
| face-alignment-on-aflw-19 | AnchorFace | NME_diag (%, Frontal): 1.38 NME_diag (%, Full): 1.56 |
| face-alignment-on-aflw-full-1 | AnchorFace | Mean NME: 1.56 |
| face-alignment-on-wflw | AnchorFace | AUC@10 (inter-ocular): 57.69 FR@10 (inter-ocular): 2.96 NME (inter-ocular): 4.32 |
| face-alignment-on-wfw-extra-data | AnchoFace | AUC@10 (inter-ocular): 57.69 FR@10 (inter-ocular): 2.96 NME (inter-ocular): 4.32 |
| facial-landmark-detection-on-300w | AnchorFace | NME: 3.12 |
| facial-landmark-detection-on-300w-full | AnchorFace | Mean NME : 3.72 |
| facial-landmark-detection-on-aflw-front | AnchorFace | Mean NME: 1.38 |
| facial-landmark-detection-on-aflw-full | AnchorFace | Mean NME: 1.56 Mean NME : 1.56 |