閱讀Face Alignment by Explicit Shape Regression
上週閱讀了兩篇論文（第一次認真閱讀&.&），其中一篇是CVPR2012的文章《Face Alignment by Explicit Shape Regression》。基本是基於原文的理解，參照了網路上的很多知識，做了一個整理。我剛開始接觸，很多東西都是現學的，必有很多理解的不當之處。
在理解、總結本文的過程中，得益於網路上很多部落格的幫助，特別是那些寫得詳細，站在理解者的角度，一步步將直觀性說明的文章。他們刺激我也開通一個部落格，記錄一下我在學習過程中的總結，希望對其他人有用^.^如有錯誤、不當之處，還望指正。
在這裡編輯公式很麻煩，而且我也寫了word文件的，就偷懶著直接轉換為圖片貼上來了~~
相關推薦
閱讀Face Alignment by Explicit Shape Regression
上週閱讀了兩篇論文（第一次認真閱讀&.&），其中一篇是CVPR2012的文章《Face Alignment by Explicit Shape Regression》。
Face Alignment by Coarse-to-Fine Shape Searching--解析
size div ace 解析 font style shape 源碼 get 人臉關鍵點定位.Face Alignment by Coarse-to-Fine Shape Searching 算法源碼詳解（上） http://blog.csdn.net/shenxiaol
人臉關鍵點定位.Face Alignment by Coarse-to-Fine Shape Searching 演算法原始碼詳解（下）
首先按照原始碼中read me配置。可能執行出錯的部分，用黃字高亮瞭解決方案。 以下分別解說訓練和測試程式碼。 ====訓練部分=============== l learnCFSS.m為核心訓練檔案。需要順序執行getParametricModels;addAll; le
face alignment by 3000 fps系列學習總結（三）
訓練 總體目標 我們需要為68個特徵點的每一個特徵點訓練5棵隨機樹，每棵樹4層深，即為所謂的隨機森林。 開始訓練 分配樣本 事實上，對於每個特徵點，要訓練隨機森林，我們需要從現有的樣本和特徵中抽取一部分，訓練成若干個樹
Direct Shape Regression Networks for End-to-End Face Alignment
端到端人臉對齊的直接形狀迴歸網路1 主要的挑戰在於人臉影象和相關的面部形狀之間的高度非線性關係，這種非線性關係是基於標記的相關性耦合。現有的方法主要依賴於級聯迴歸，存在固有的缺點，例如對初始化的強依賴性和未能利用相關的標記。 本文提出了一種**直接形狀迴歸網路（direct shap
《Look at Boundary: A Boundary-Aware Face Alignment Algorithm 》閱讀筆記
摘要 本文提出了一種新的邊界感知人臉對齊演算法，演算法通過利用邊界線作為人臉幾何框架實現人臉 landmark 的定位。與傳統的基於熱力圖或基於迴歸的方法不同，本文的方法從邊界線處提取人臉 landmarks，消除了定義 landmark 的歧義。本文探討並回答
3D人臉重建：《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》
《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》 目錄 0 前言 1 概述 2 相關工作
Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders
這篇論文是我總結的，感覺思路還是不錯的，目前主流的處理影象方式，或者人臉對齊方式都是使用了深度學習，因為深度學習對於人臉對齊具有很好的效果，並且對於遮擋也會有一定的容忍性。 這篇論文是：
One Millisecond Face alignment with an Ensemble of Regression Trees
摘要： 這篇paper 主要是解決了單個圖片的face alignment 問題。我們給出了迴歸樹的集合用來評估臉部的landmark 點的位置。直接從畫素強度的稀疏子集，達到超實時的表現。我們給出了一個一般的框架基於gradient boosting 為了學習迴歸樹的集合
3D【9】人臉重建:Joint3D Face Reconstruction and Dense Alignment with Position Map Regression
該論文同時預測人臉特徵點和3D mesh的頂點座標x，y，z。人臉特徵點沒什麼好說的，現在已經有很多成功的案例了。主要關注該論文是如何預測頂點座標的。其實大概想想，就能夠大致確定直接預測頂點座標是有不少困難的。首先是，你不能把所有的頂點拉成一個向量，用全連線層預
【論文筆記】One Millisecond Face Alignment with an Ensemble of Regression Trees
參考文獻： Kazemi V, Sullivan J. One millisecond face alignment with an ensemble of regression trees[C]//Computer Vision and Pattern
人臉對齊（二十一）--A Recurrent Encoder-Decoder Network for Sequential Face Alignment
轉自：https://blog.csdn.net/shuzfan/article/details/52438910 本次介紹一篇關於人臉關鍵點檢測(人臉對齊)的文章： 《ECCV16 A Recurrent Encoder-Decoder Network for Sequential Fac
face alignment[Ordinary Procrustes Analysis]
人臉識別，大致可以分為以下四個步驟： 人臉檢測：從圖片中準確定位到人臉，並以矩形框將其裁剪出來； 人臉矯正（對齊）： 檢測到的人臉，可能角度不是很正，需要使其對齊，比如旋轉，縮放； 特徵提取：對矯正後的人臉進行特徵提取，現在做法通常都是基於一個CNN模型； 人臉比對：對兩
人臉對齊 face alignment 或 人臉關鍵點檢測
圖片來源於網路 人臉對齊基本流程 1. 人臉預處理 識別：輸入影象-》人臉檢測-》人臉框圖片 歸一化：scaling+lighting+enlarging(資料增廣）-》歸一化後的臉部影象 2.shape的初始化 1）mean shape
10-----Forecast of China Railway Freight Volume by Random Forest Regression Model
本人亮點是結構圖參考、還有就是隨機森林的特徵重要性逐個減少的方法測試準確性的方法、誤差分析等 提出模型的結構 演算法的特徵引數 它是隨機森林的一個重要應用。它是布賴曼提出的一種統計學習理論。 該演算法具有預測精度高的優點。良好的泛化能力、較快的收斂
人臉對齊：Look at Boundary: A Boundary-Aware Face Alignment Algorithm
《Look at Boundary: A Boundary-Aware Face Alignment Algorithm》 目錄 0 Abstract 本文提出了一種基於邊界輔助學習的Facial Landmark Detection方法。利用
C++版 Face Alignment at 3000FPS（一）TrainModel執行
Face Alignment at 3000 FPS via Regressing Local Binary Features 這篇論文實現了對人臉關鍵點的高速檢測，預測精度高。 實現步驟： 一、下載原始碼、檢視工程相關檔案。 圖一Face Alignment at 3
Supervised Descent Method Face Alignment 程式碼下載 和 演算法研究 之一
1 主要內容： Supervised Descent Method and its Applications to Face Alignment演算法研究。 3本文分為幾個部分： (1)解決什麼問題
SDM For Face Alignment 流程介紹及Matlab程式碼實現之預處理篇
SDM全稱為 Supervised Descent Method，是一種機器學習的方法，可以被用來做Face Alignment. 下面我們將通過matlab程式碼來梳理整個實現的過程。 預處理階段 Input： ../data/lfpw/trainset
Face Alignment at 3000FPS（C++版）工程配置
3000FPS是人臉對齊演算法，特點是速度快！我利用的是thinkface上一位大牛提供的程式碼http://www.thinkface.cn/thread-3136-1-1.html這裡面提供了C++版程式碼，人臉資料庫及大牛訓練好的模型的連線，大家可以自行下載。下面介紹