人脸关键点检测任务是很多人脸相关任务的基础,比如换脸、人脸变换、人脸识别等等;
现实中,人脸通常暴露在复杂环境中,同样的人脸图像可能因为姿势、表情、光线以及遮挡等问题而非常不同。采集同一个人在不同环境不同姿势情况下的数据集理论上可行,但是实际操作很难实现,因为所需的训练数据量太大了。
作者总结了人脸关键点问题的四个难点:
传统人脸关键点检测算法有:AAMs(active appearance models),CLMs(Constrained local models),TSPM(tree strcture part model),ESR(explicit shape regression)和SDM(supervised descent method)。这些方法的共同局限性在于对不同环境不够鲁棒,所需计算资源也比较大。
作者认为,全局变量影响相比于局部变量更加严重,更值得关注。为了增加算法鲁棒性,作者利用部分网络来预测人脸的几何信息,然后再进行人脸关键点定位。为了避免样本不均衡问题,作者对样本稀少的类型采用了更高的损失权重。因此,结合了几何信息和样本不均衡的情况,作者设计了新的损失函数。
为了提升感受野,更好获取人脸的全局信息,作者在网络中应用了multi-scale fully-connected(MS-FC)层,以便提高定位精度。
为了精简模型,并提升网络速度,作者采用MobileNet模块作为backbone。
假设真实关键点 X : = [ x 1 , . . . , x N ] ∈ R 2 × N X:=[x_1,...,x_N]\in R^{2\times N} X:=[x1,...,xN]∈R2×N,网络预测关键点 Y : = [ y 1 , . . . , y N ] ∈ R 2 × N Y:=[y_1,...,y_N]\in R^{2\times N} Y:=[y1,...,yN]∈R2×N。如果简单的用L2或L1loss作为损失,则代表对于每一对关键点都平等对待,而没有考虑人脸几何/结构信息,这是不合理的。因为考虑到人脸姿态相对于相机的投影问题,图像上不同位置上两个点同样的距离映射回三维空间时,其三维空间的真实距离并不相同。因此,设计损失函数的时候需要把几何信息考虑进去,有利于减缓该情况的影响。
对于人脸图像来说,人脸的3D姿势就足够决定相机的投影方式。因此,我们假定三维关键点信息是 U ∈ R 4 × N U\in R^{4\times N} U∈R4×N,每一列都是一个三维关键点的坐标 [ u i , v i , z i , 1 ] T [u_i,v_i,z_i,1]^T [ui,vi,zi,1]T。因此,很容易知道X和U的投影关系: X = P U X=PU X=PU,其中P是 2 × 4 2\times4 2×4的投影矩阵,有六个自由度(yaw,roll,pitch,scale,x,y)。局部影响因素(比如表情等)几乎不影响投影信息。由于本论文中,人脸图像都被完整检测并中心化和标准化过,所以scale,x和y三个自由度可以忽略,只需要考虑三个欧拉角自由度。
考虑到样本不均衡的问题,对于不同量级的样本,都会有各自的损失权重。因此损失函数数学表达式如下:
L = 1 M ∑ m = 1 M ∑ n = 1 N γ n ∣ ∣ d n m ∣ ∣ L=\frac{1}{M}\sum_{m=1}^M\sum_{n=1}^N \gamma_n||d_n^m|| L=M1m=1∑Mn=1∑Nγn∣∣dnm∣∣
其中, ∣ ∣ d n m ∣ ∣ ||d_n^m|| ∣∣dnm∣∣表示用某种距离度量方式来度量第m个输入的第n个关键点,本文中使用L2距离作为度量方式。N是人为定义的关键点数量,M是样本数量。 γ n \gamma_n γn是损失的权重,其计算方式如下:
γ n = ∑ c = 1 C ω n c ∑ k = 1 K ( 1 − cos θ n k ) L = 1 M ∑ m = 1 M ∑ n = 1 N ( ∑ c = 1 C ω n c ∑ k = 1 K ( 1 − cos θ n k ) ) ∣ ∣ d n m ∣ ∣ 2 2 \gamma_n=\sum_{c=1}^C \omega_n^c\sum_{k=1}^K(1-\cos\theta_n^k) \\ L=\frac{1}{M}\sum_{m=1}^M\sum_{n=1}^N \big( \sum_{c=1}^C \omega_n^c\sum_{k=1}^K(1-\cos\theta_n^k) \big)||d_n^m||^2_2 γn=c=1∑Cωnck=1∑K(1−cosθnk)L=M1m=1∑Mn=1∑N(c=1∑Cωnck=1∑K(1−cosθnk))∣∣dnm∣∣22
其中K=3, θ 1 , θ 2 , θ 3 \theta^1,\theta^2,\theta^3 θ1,θ2,θ3分别代表真实样本和预测样本三个偏转角的差值(0~180°),可见,差值越大,损失权重越大。其中, d n m d_n^m dnm是来自backbone网络,而 θ n k \theta_n^k θnk是来自辅助网络。
此外,我们将人脸图像分为多标签的样本,标签种类分别是:侧脸、正脸、抬头、低头、表情和遮挡,共6类。然后C=6, ω n c \omega_n^c ωnc表示属于c类的权重,简单的根据类别数量的比例设定权重。
其实实际实现上, ω n c \omega_n^c ωnc和 θ n k \theta_n^k θnk和n并无关系,可以将下标n去掉,并不是说同一张图的每个关键点都有一个权重,而是一张图都共用一个权重。
不考虑权重项,上述损失函数就是简单的L2损失,简单的L2损失就可以涵盖局部影响因素所产生的关键点偏差。
相比于前人提出的引入3D姿态信息的损失函数,作者描述自己损失函数的优点如下:
因为人脸具备很强的结构信息,比如对称性、五官的布局等,这些信息有助于让关键点定位更加准确。因此,作者希望采用多尺度特征图,而不是单尺度,来提供更加完整的信息。多尺度是通过调整卷积步长的方式来实现,这可以提高感受野。然后,网络在最后预测时,将多尺度的特征图全连接起来。
作者用简单的backbone来测试自己设计的辅助网络和损失函数确实对人脸关键点问题很有帮助。最终,作者使用MobileNet的深度可分离卷积层和linear inversed residual bottleneck搭建了如下图所示的backbone网络。根据需求可以和MobileNet一样调整backbone网络的超参数,来换取速度和精度的平衡。
前人研究表明,增加合适的辅助限制可以让人脸关键点检测更稳定更鲁棒。因此作者在本论文中也使用了辅助网络。本论文中的辅助网络负责预测人脸3D姿态的偏转角度信息yaw, pitch, roll。有了这三个偏转角度,人脸的偏转姿态就被确定。
为什么不直接在主网络里预测偏转角,要增加辅助网络?因为关键点在训练初期肯定非常不准,用这些不准的关键点来计算偏转角肯定也非常不准,这两个问题耦合在一起会加大网络训练难度,让训练产生过度惩罚或者无法收敛等问题。为了解耦这层关系,因此作者利用两个网络来分别完成两部分问题。
理论而言,如果有正脸图像,可以计算出偏转姿态的人脸的三个偏转角度。但是并非所有训练图像都有对应的正脸图像。而作者认为他的辅助网络可以不需要正脸图像就输出偏转角度,因为人脸是非常具有结构性的图像,而一张平均的正脸图像基本适用于所有不同的人脸图像,通过对应结构的位置理论上可以直接计算出偏转角度。因此,作者采用如下步骤计算偏转角:
尽管上述计算的偏转角可能并不是非常准确,但是作者后续实验证明,这个角度精度已经足够满足本论文所涉及的问题的要求。
上图是辅助网络的结构,是从backbone网络第4层引出的分支。
作者使用的数据集有两个,一个是300W,另一个是AFLW。300W数据集,3148张作训练集,689张作测试集;AFLW数据集,20000张作训练集,4386张作测试集。
所有输入图像根据人脸bbox,都裁剪并缩放成112x112。作者采用batchsize=256,优化方法采用Adam,weight decay= 1 0 − 6 10^{-6} 10−6,momentum=0.9。最大迭代数量是6.4w次,学习率固定为 1 0 − 4 10^{-4} 10−4。
数据增广部分,对于300W数据集,作者采用了翻转、以5°为间隔旋转图像(-30°~30°)。另外,在人脸区域的20%采用随机的遮挡。对于AFLW数据集,作者不做任何数据增广。
在testing的时候,只使用了backbone网络。
评价指标
作者使用了NME(normalized mean error)和CED(cummulative error distribution)来度量关键点准确性。
代码已上传github: https://github.com/lavendelion/my-PFLD-pytorch
数据集的下载参见github里的README.md。
主要说明一下以下几点:
./dataPrepare/my_prepare_data.py
的calculate_pitch_yaw_roll()
函数,不详述原理,简单来说就是一个标准三维人脸关键点,通过相机投影关系映射为2D图像坐标的过程。然后在该过程中存在映射矩阵,计算出映射矩阵后可以对应计算出三个旋转角度。解释一下实际使用时,损失函数的含义,有助于理解损失函数的代码实现:
L = 1 M ∑ m = 1 M ∑ n = 1 N ( ∑ c = 1 C ω n c ∑ k = 1 K ( 1 − cos θ n k ) ) ∣ ∣ d n m ∣ ∣ 2 2 L=\frac{1}{M}\sum_{m=1}^M\sum_{n=1}^N \big( \sum_{c=1}^C \omega_n^c\sum_{k=1}^K(1-\cos\theta_n^k) \big)||d_n^m||^2_2 L=M1m=1∑Mn=1∑N(c=1∑Cωnck=1∑K(1−cosθnk))∣∣dnm∣∣22
∣ ∣ d n m ∣ ∣ 2 2 ||d_n^m||^2_2 ∣∣dnm∣∣22:其实就是网络预测的98个关键点坐标和图像对应真实的关键点坐标的L2-distance。
θ n k \theta_n^k θnk:是网络辅助分支输出的三个欧拉角和真实图像欧拉角的差值,k=1,2,3。按照2.1节的解释可知,该参数其实和n下标没关系,也就是和具体哪个关键点没关系。所以, ∑ k = 1 K ( 1 − cos θ n k ) \sum_{k=1}^K(1-\cos\theta_n^k) ∑k=1K(1−cosθnk)计算后得到的张量尺寸就是(batchsize, 1)。
ω n c \omega_n^c ωnc:该参数也与n下标无关。是在当前训练batch中,第c种属性的权重。比如说,batch=10,具有属性1的数量有2张,那么 ω 1 = 10 / 2 = 5 \omega^1=10/2=5 ω1=10/2=5,这样可以缓解样本不均衡的问题。而对于一张图像,它的 ∑ c = 1 C ω n c \sum_{c=1}^C \omega_n^c ∑c=1Cωnc应该等于 ∑ c = 1 C ω n c I ( a t t r c = = 1 ) \sum_{c=1}^C \omega_n^cI(attr^c==1) ∑c=1CωncI(attrc==1), I ( a t t r c = = 1 ) I(attr^c==1) I(attrc==1)表示这张图像是否包含该属性。也就是说,如果该图像不含有该属性,则无论权重是多少都不需要加上该属性。反之则需要。
所以其实实际使用时,损失函数由三部分组成:人脸姿态属性权重 × 欧拉角权重 × 关键点的L2distance。
网络结构部分,论文都说的挺清楚了,需要说明的是,在主网络中,S1,S2层的输出后都需要增加一个全局池化,将张量从14x14, 7x7转换为1x1的尺寸,以便后续和S3的结果进行叠加后,输入全连接层。
评价指标metric简单采用不含权重的关键点L2-distance。
训练过程的信息会保存在./checkpoints/log.txt
中,比如:
2021-02-14 22:38:35
training epoch 1
Epoch 1/200 | Iter 0/703 | training loss = 278.343, avg_loss = 278.343 | metric = 63.03, avg_metric = 63.03
Epoch 1/200 | Iter 100/703 | training loss = 48.294, avg_loss = 120.505 | metric = 28.99, avg_metric = 42.15
Epoch 1/200 | Iter 200/703 | training loss = 17.584, avg_loss = 74.714 | metric = 15.74, avg_metric = 31.87
Epoch 1/200 | Iter 300/703 | training loss = 9.706, avg_loss = 54.160 | metric = 8.64, avg_metric = 25.17
Epoch 1/200 | Iter 400/703 | training loss = 4.585, avg_loss = 42.309 | metric = 4.87, avg_metric = 20.52
Epoch 1/200 | Iter 500/703 | training loss = 3.485, avg_loss = 34.720 | metric = 3.34, avg_metric = 17.26
Epoch 1/200 | Iter 600/703 | training loss = 2.163, avg_loss = 29.469 | metric = 2.81, avg_metric = 14.90
Epoch 1/200 | Iter 700/703 | training loss = 2.564, avg_loss = 25.659 | metric = 2.67, avg_metric = 13.16
Training consumes 292.32 second
…
2021-02-14 22:58:09
training epoch 5
Epoch 5/200 | Iter 0/703 | training loss = 0.817, avg_loss = 0.817 | metric = 0.99, avg_metric = 0.99
Epoch 5/200 | Iter 100/703 | training loss = 0.818, avg_loss = 0.897 | metric = 0.96, avg_metric = 1.04
Epoch 5/200 | Iter 200/703 | training loss = 0.793, avg_loss = 0.890 | metric = 0.90, avg_metric = 1.02
Epoch 5/200 | Iter 300/703 | training loss = 0.565, avg_loss = 0.861 | metric = 0.88, avg_metric = 1.00
Epoch 5/200 | Iter 400/703 | training loss = 0.486, avg_loss = 0.854 | metric = 0.81, avg_metric = 0.98
Epoch 5/200 | Iter 500/703 | training loss = 0.530, avg_loss = 0.847 | metric = 0.83, avg_metric = 0.97
Epoch 5/200 | Iter 600/703 | training loss = 0.550, avg_loss = 0.840 | metric = 0.84, avg_metric = 0.97
Epoch 5/200 | Iter 700/703 | training loss = 0.614, avg_loss = 0.833 | metric = 0.81, avg_metric = 0.96
Training consumes 295.13 second
validate epoch 5
Epoch 5/200 | Iter 0/78 | metric = 1.64, avg_metric = 1.64
Evaluation of validation result: average L2 distance = 0.89319
Validation consumes 15.06 second
Epoch 5 is now the best epoch with metric 0.8932
我最终训练了大概155个epoch效果就不错了,作为参考,给出155个epoch时验证集的指标:
Epoch 155 is now the best epoch with metric 0.1790
其实本论文除去数据集处理和损失函数稍微麻烦一些外,其他部分要实现并不困难。
实际要使用的时候,该网络前面应该还要增加一个人脸检测网络,因为输入该网络的图像应该是人脸检测得到的bbox图像。当然,数据集提供的测试集已经裁剪好了,可以直接进行测试看效果。如果想测试自己的图像,可以自己手动裁一下人脸区域查看结果。我自己百度找的人脸图像输入网络后的效果图如下:
复现期间,自己的网络出了一些问题。后来参考了github上PFLD-pytorch项目里的实现细节后,进行了一些修改。包括:
经过对比实验发现,深度学习果然还是数据驱动的算法,其实就算损失函数或者网络结构的实现有一些不同,得到的效果其实还是相差不大。但是如果没有数据增广,网络最终的效果就差的比较多(metric=0.179 <-> metric=0.553)。比如我用未增广的数据训练了500epoch后得到的效果:
可以看到,正脸还差强人意,但是已经明显要差很多了。一旦遇到侧脸这种更难的情况,网络的鲁棒性明显就不足。
当然,论文提供的在损失函数中融入三维信息的思想,还是很值得学习的。
文章浏览阅读3.4k次,点赞8次,收藏42次。一、什么是内部类?or 内部类的概念内部类是定义在另一个类中的类;下面类TestB是类TestA的内部类。即内部类对象引用了实例化该内部对象的外围类对象。public class TestA{ class TestB {}}二、 为什么需要内部类?or 内部类有什么作用?1、 内部类方法可以访问该类定义所在的作用域中的数据,包括私有数据。2、内部类可以对同一个包中的其他类隐藏起来。3、 当想要定义一个回调函数且不想编写大量代码时,使用匿名内部类比较便捷。三、 内部类的分类成员内部_成员内部类和局部内部类的区别
文章浏览阅读118次。分布式系统要求拆分分布式思想的实质搭配要求分布式系统要求按照某些特定的规则将项目进行拆分。如果将一个项目的所有模板功能都写到一起,当某个模块出现问题时将直接导致整个服务器出现问题。拆分按照业务拆分为不同的服务器,有效的降低系统架构的耦合性在业务拆分的基础上可按照代码层级进行拆分(view、controller、service、pojo)分布式思想的实质分布式思想的实质是为了系统的..._分布式系统运维工具
文章浏览阅读174次。1.数据源准备2.数据处理step1:数据表处理应用函数:①VLOOKUP函数; ② CONCATENATE函数终表:step2:数据透视表统计分析(1) 透视表汇总不同渠道用户数, 金额(2)透视表汇总不同日期购买用户数,金额(3)透视表汇总不同用户购买订单数,金额step3:讲第二步结果可视化, 比如, 柱形图(1)不同渠道用户数, 金额(2)不同日期..._exce l趋势分析数据量
文章浏览阅读3.3k次。堡垒机可以为企业实现服务器、网络设备、数据库、安全设备等的集中管控和安全可靠运行,帮助IT运维人员提高工作效率。通俗来说,就是用来控制哪些人可以登录哪些资产(事先防范和事中控制),以及录像记录登录资产后做了什么事情(事后溯源)。由于堡垒机内部保存着企业所有的设备资产和权限关系,是企业内部信息安全的重要一环。但目前出现的以下问题产生了很大安全隐患:密码设置过于简单,容易被暴力破解;为方便记忆,设置统一的密码,一旦单点被破,极易引发全面危机。在单一的静态密码验证机制下,登录密码是堡垒机安全的唯一_horizon宁盾双因素配置
文章浏览阅读7.7k次,点赞4次,收藏16次。Chrome作为一款挺不错的浏览器,其有着诸多的优良特性,并且支持跨平台。其支持(Windows、Linux、Mac OS X、BSD、Android),在绝大多数情况下,其的安装都很简单,但有时会由于网络原因,无法安装,所以在这里总结下Chrome的安装。Windows下的安装:在线安装:离线安装:Linux下的安装:在线安装:离线安装:..._chrome linux debian离线安装依赖
文章浏览阅读153次。中国发达城市榜单每天都在刷新,但无非是北上广轮流坐庄。北京拥有最顶尖的文化资源,上海是“摩登”的国际化大都市,广州是活力四射的千年商都。GDP和发展潜力是衡量城市的数字指...
文章浏览阅读3.3k次。前言spark在java使用比较少,多是scala的用法,我这里介绍一下我在项目中使用的代码配置详细算法的使用请点击我主页列表查看版本jar版本说明spark3.0.1scala2.12这个版本注意和spark版本对应,只是为了引jar包springboot版本2.3.2.RELEASEmaven<!-- spark --> <dependency> <gro_使用java调用spark注册进去的程序
文章浏览阅读4.8k次。汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码,自己完成底层外设驱动开发后,集成即可使用,代码精简高效,大厂出品有量产保证。:139800617636213023darcy169_uds协议栈 源代码
文章浏览阅读4.6k次,点赞20次,收藏148次。AUTOSAR基础篇之OS(下)前言首先,请问大家几个小小的问题,你清楚:你知道多核OS在什么场景下使用吗?多核系统OS又是如何协同启动或者关闭的呢?AUTOSAR OS存在哪些功能安全等方面的要求呢?多核OS之间的启动关闭与单核相比又存在哪些异同呢?。。。。。。今天,我们来一起探索并回答这些问题。为了便于大家理解,以下是本文的主题大纲:[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JCXrdI0k-1636287756923)(https://gite_autosar 定义了 5 种多核支持类型
文章浏览阅读2.2k次,点赞6次,收藏14次。原因:自己写的头文件没有被加入到方案的包含目录中去,无法被检索到,也就无法打开。将自己写的头文件都放入header files。然后在VS界面上,右键方案名,点击属性。将自己头文件夹的目录添加进去。_vs2013打不开自己定义的头文件
文章浏览阅读3.3w次,点赞80次,收藏342次。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。当数据量很大时,count 的数量的指定可能会不起作用,Redis 会自动调整每次的遍历数目。_redis命令
文章浏览阅读449次,点赞3次,收藏3次。URP的设计目标是在保持高性能的同时,提供更多的渲染功能和自定义选项。与普通项目相比,会多出Presets文件夹,里面包含着一些设置,包括本色,声音,法线,贴图等设置。全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,主光源和附加光源在一次Pass中可以一起着色。URP:全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,一次Pass可以计算多个光源。可编程渲染管线:渲染策略是可以供程序员定制的,可以定制的有:光照计算和光源,深度测试,摄像机光照烘焙,后期处理策略等等。_urp渲染管线