Deep Alignment Network: A convolutional neural network for robust face alignment
論文分析
論文提出了一種類似級聯的神經網路結構。這一點上很遺憾，我在一個月之前也想到了這種模式。因為對於實時 Landmark 的跟蹤，其實可以利用上一幀的預測結果來預測下一幀 Landmark 的位置。但現代大部分的 CNN 結構沒辦法辦到。在與朋友的討論中可以仿照RNN來建立時間線上的聯絡，解決在實時跟蹤中的效率及時間穩定性。當時想動手設計並實現一個這樣的網路，後來因為公司原因並沒有動手，想法擱置。結果今天就看到 CVPR2017 上的這篇論文。看來以後有想法還是直接擼吧！
初窺網路架構
我自己原有的想法是，在測試階段：對於一個輸入 I ,給定一個初始形狀。每一級神經網路輸出的是根據輸入影象得到的偏移估計
那麼我們來看論文，論文作者還是比我想的要複雜的多。哈哈哈，畢竟能在目前達到 stage of art，我那樣的構想還是太簡單了。
每一個 connection layers，連線了本次 STAGE 和 下一個 STAGE，並根據本次 STAGE 的資料生成了三個東西：Landmark HeatMap H，特徵 Image F , 和一個變換 T（用來把影象做仿射變換到標準的Pose）。
Deep Alignment Network
DAN思想來源於Cascade Shape Regression框架，於之前我自己實現的3000fps一樣。他會給定一個初始估計。但與原始框架最大的不同在於，CSR 框架基本都基於一個區域性的特徵，或者由粗到精的級聯。但 DAN 提取的特徵都是全部 image 的特徵。而作者就是通過提取額外的特徵輸入解決這個問題–Heatmap。
一個連線層由Transform Estimation layer、Image Transform layer、Landmark Transform layer、Heatmap Generation layer、Feature Generation layer 組成。
細化結構
實現了paper所有內容，效率能夠達到實時性。在錯誤率上，因為資料增強的原因，比原paper結果略低但基本無影響。