논문소개-#2 Wing Loss for Robust Facial Landmark Localisation with Convolutional Neural Networks
논문소개-#2
오치아이 선생님의 형식 을 바탕으로 논문을 정리 소개해 가는 기사입니다.
이번에는 CVPR2018의 Wing Loss for Robust Facial Landmark Localisation with Convolutional Neural Networks이라는 논문을 소개합니다.
이르지 않는 곳뿐이므로 츳코미 기다리고 있습니다!
무슨 일이야?
CNN 기반 faces alignment에서 L2보다 L1, L1 smooth가 더 나은 것을 보였다.
wing loss라는 새로운 loss function을 제안하고 얼굴 포즈의 데이터 밸런스 전략, 2단계의 alignment framework에 의해 face alignment로 SOTA.
선행 연구에 비해 어디가 대단한가?
기존 연구의 대부분이 이상치에 민감한 L2 loss 함수를 사용하고 있는 것에 대해, 새로운 wing loss를 제안.
정밀도는 SOTA는 아니지만, 6층의 CNN을 사용하는 것으로 다른 기존 DNN face alignment보다 빠른 결과에.
입력 크기는 아마 224*224*3
기술이나 기법의 키모는 어디?
L1도 L2도 큰 loss에 학습이 영향을 받기 쉽다. wong loss는 작은 loss와 큰 loss의 영향의 균형을 잘 잡았다.
어떻게 유효하다고 검증했습니까?
AFLW와 300W 데이터 세트에 대해 기존 연구와 정확도 비교했다.
다양한 baseCNN을 사용하여 전개성을 검증했습니다.
소수의 훈련 샘플을 복제하고 무작위 회전과 같은 데이터 오그먼트를 적용하여 데이터 불균형 문제를 해결했습니다.
논쟁이 있습니까?
CNN 기반의 다른 회귀 문제에도 wing loss를 사용할 수 있을까?
다음에 읽어야 할 논문은?
A Deep Re-gression Architecture With Two-Stage Re-Initialization for High Performance Facial Landmark Detection
Reference
이 문제에 관하여(논문소개-#2 Wing Loss for Robust Facial Landmark Localisation with Convolutional Neural Networks), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/akinoriosamura/items/0bde5115d48a549e59f2텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)