【人脸对齐-Landmarks】人脸关键点检测方法及评测汇总
生活随笔
收集整理的這篇文章主要介紹了
【人脸对齐-Landmarks】人脸关键点检测方法及评测汇总
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
好東西往往都在最后面，請耐心向下滑
傳統方法：
1. SDM：Supervised descent method and its applications to face alignment. CVPR2013
速度：
CPU(i7) - 小于12ms精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (5.60), challenge: (15.40), Full: (7.52).評價：
2. ERT：One millisecond face alignment with an ensemble of regression trees. CVPR2014
速度：
CPU(i7) - 小于6ms精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: Full: (6.40).評價：
3. LBF：Face alignment at 3000 fps via regressing local binary features， 2014
速度：
CPU(i5) - PC上至少300fps，最快3000fps精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (4.95), challenge: (11.98), Full: (6.32). 評測數據集2---IBUG: 11.98評測數據集3---LFPW: 3.35評測數據集4---HELEN: 5.41評價：
4. CFSS：Face Alignment by Coarse-to-Fine Shape Searching， 2015
速度：
CPU(i5) - 25fps精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (4.73), challenge: (9.98), Full: (5.76).評價：
深度方法：
1. cascade CNN：Deep Convolutional Network Cascade for Facial Point Detection，2013
速度：
GTX1070 - 8msCPU - 120ms精度：
待補充評價：
2. Face++：Extensive facial landmark localization with coarse-to-fine convolutional network cascade，2013
速度： 未知
精度：
評價：
沒有與其他方法對比，此方法效果稍微差點。3. TCDCN：Learning and Transferring Multi-task Deep Representation for Face Alignment，2014
速度：
GTX760 - 1.5msCPU(i5) - 17ms精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (4.80), challenge: (8.60), Full: (5.54). 評測數據集2---IBUG: 9.15評價：
4. MCSR：M3 CSR: Multi-view, multi-scale and multi-component cascade，2016
速度：
CPU(i7) - 50ms精度：
評測數據集2---IBUG: 5.65評價：
5. Approaching human level facial landmark localization by deep learning，2016
速度：
CPU(i7) - 500ms精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (3.43), challenge: (5.72), Full: (3.88). 評測數據集2---IBUG: 5.65評價：
6. MDM：Mnemonic Descent Method:A recurrent process applied for end-to-end face alignment， 2016
速度： 未知
精度：
評價：
7. Unconstrained Face Alignment via Cascaded Compositional Learning，2016
速度：
CPU - 350FPS精度：
評測數據集3---AFLW ： 待補充評價：
8. DRDA：Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders，2016
速度：
未知精度：
評測數據集2---IBUG： 待補充評價：
9. Stacked Hourglass Network for Robust Facial Landmark Localisation, CVPR 2017
速度：
未知精度：
評測數據集1---300w (Inter-pupil Normalisation )：paper: common: 4.12,challenge: 7.00, Full: -. 復現: common: 3.84,challenge: 7.37, Full:4.54.評價：
開源：
10. Style Aggregated Network for Facial Landmark Detection, CVPR 2018
速度：
未知精度：
待補充評價：
待補充
開源：
11. Wing Loss for RobustFacial Landmark Localisation with Convolutional Neural Networks. 2018
速度：
GTX1080 TITAN - 60msCPU - 100/15/5 FPS精度：
評測數據集1---300w (Inter-pupil Normalisation )：common: 3.27,challenge: 7.18, Full: 4.04.評價：
12. LAB：Look at Boundary: A Boundary-Aware Face Alignment Algorithm. CVPR2018.
速度：
GTX1080 TITAN - 60msCPU - 未知精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (4.20, 3.42, 2.57), challenge: (7.41, 6.98, 4.72), Full: (4.92, 4.12, 2.99). 評測數據集1.2---300w (Inter-ocular Normalisation)：common: (2.98, 2.43, 1.85), challenge: (5.19, 4.85, 3.28), Full: (3.49, 2.93, 2.13).評價：
13. DCFE：A Deeply-initialized Coarse-to-fine Ensemble of Regression Trees for Face Alignment. 2018
速度：
環境：NVidia GeForce GTX 1080 (8GB) GPU Intel Xeon E5-1650 at 3.50GHz (6 cores/12 threads, 32 GB of RAM)C++, Tensorflow , OpenCV libraries.訓練時間：48h預測速度：GTX 1080 (8GB) - 32 FPS，其中 CNN 25ms，ERT-6.25msCPU - 未知精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (3.83), challenge: (7.54), Full: (4.55). 評測數據集1.3---300w (Inter-corners Normalisation)：common: (2.76), challenge: (5.22), Full: (3.24).評價：
比LAB低，但速度比LAB快
14. PFLD：A Practical Facial Landmark Detector. 2019
速度：
ARM 845 140fps精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (3.17), challenge: (6.33), Full: (3.76). 評測數據集1.3---300w (Inter-ocular Normalisation)：common: (2.96), challenge: (4.98), Full: (3.37).評價：
開源：
15. ODN：Robust Facial Landmark Detection via Occlusion-adaptive Deep Networks. CVPR 2019
速度：
待補精度：
評測數據集1.3---300w (Inter-ocular Normalisation)：common: (3.56 ), challenge: (6.67), Full: (4.17).評價：
wing loss + LAB
開源：
16. AWing：Adaptive Wing Loss for Robust Face Alignment via Heatmap Regression
速度：
待補精度：
評測數據集1---300w (Inter-pupil Normalisation)： common: (3.77 ), challenge: (6.32), Full: (4.31). 評測數據集1.3---300w (Inter-ocular Normalisation)：common: (2.72), challenge: (4.52), Full: (3.07).評價：
待補
開源：
17. LUVLi Face Alignment: Estimating Landmarks’ Location, Uncertainty, and Visibility Likel
速度：
精度：
評測數據集1.3---300w (Inter-ocular Normalisation)：common: (2.76), challenge: (5.16), Full: (3.23).評價：
開源：
18. ATF: Towards Robust Face Alignment via Leveraging Similarity and Diversity across Different Datasets
速度：
精度：
評測數據集1.3---300w (Inter-ocular Normalisation)：common: (2.76), challenge: (5.16), Full: (3.23).評價：
開源：
指標匯總：
1. 數據集 300w
2. 數據集 WFLW
To Do List：
參考博文：
[1] https://blog.csdn.net/xzzppp/article/details/74939823
[2] https://blog.csdn.net/Taily_Duan/article/details/54376467
[3] https://blog.csdn.net/Mynameisyournamewuyu/article/details/85490059
[4] https://blog.csdn.net/wwwhp/article/details/88361422
總結
以上是生活随笔為你收集整理的【人脸对齐-Landmarks】人脸关键点检测方法及评测汇总的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Github: 从github上拉取别人
- 下一篇： IDC 研究：2022 中国折叠屏手机市