好东西往往都在最后面，请耐心向下滑
传统方法：
1. SDM：Supervised descent method and its applications to face alignment. CVPR
速度：
CPU(i7) - 小于12ms
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (5.60), challenge: (15.40), Full: (7.52).
评价：
开源代码完备Shape跟踪梯度下降
2. ERT：One millisecond face alignment with an ensemble of regression trees. CVPR
速度：
CPU(i7) - 小于6ms
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: Full: (6.40).
评价：
回归树，速度快静态图片处理效果好，可以处理光照变化较小的图片，可用于标定图片有成熟框架，dlib
3. LBF：Face alignment at 3000 fps via regressing local binary features，
速度：
CPU(i5) - PC上至少300fps，最快3000fps
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (4.95), challenge: (11.98), Full: (6.32). 评测数据集2---IBUG: 11.98评测数据集3---LFPW: 3.35评测数据集4---HELEN: 5.41
评价：
能够比较好的处理简单样本
4. CFSS：Face Alignment by Coarse-to-Fine Shape Searching，
速度：
CPU(i5) - 25fps
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (4.73), challenge: (9.98), Full: (5.76).
评价：
在300w数据集上，效果优于LBF和之前的很多方法。在LFPW，Helen数据集上比较结果类似。
深度方法：
1. cascade CNN：Deep Convolutional Network Cascade for Facial Point Detection，
速度：
GTX1070 - 8msCPU - 120ms
精度：
待补充
评价：
BioID、LFPW数据集上与之前的方法做对比，没有与最新方法比，测试效果一般。CNN级联结构。
2. Face++：Extensive facial landmark localization with coarse-to-fine convolutional network cascade，
速度：未知
精度：
评测数据集1---300w (Inter-pupil Normalisation)： （Threshold=0.08）threshold=0.08时，51点error=5%，68点error=8%
评价：
没有与其他方法对比，此方法效果稍微差点。
3. TCDCN：Learning and Transferring Multi-task Deep Representation for Face Alignment，
速度：
GTX760 - 1.5msCPU(i5) - 17ms
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (4.80), challenge: (8.60), Full: (5.54). 评测数据集2---IBUG: 9.15
评价：
IBUG数据集优于LBF的11.98；AFLW数据集上优于cascade CNN；300-W数据集上优于LBF，对难样本效果更好。
4. MCSR：M3 CSR: Multi-view, multi-scale and multi-component cascade，
速度：
CPU(i7) - 50ms
精度：
评测数据集2---IBUG: 5.65
评价：
IBUG优于TCDCN的9.15，优于LBF的11.98
5. Approaching human level facial landmark localization by deep learning，
速度：
CPU(i7) - 500ms
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (3.43), challenge: (5.72), Full: (3.88). 评测数据集2---IBUG: 5.65
评价：
IBUG优于TCDCN的9.15，优于LBF的11.98CNN级联结构
6. MDM：Mnemonic Descent Method:A recurrent process applied for end-to-end face alignment，
速度：未知
精度：
评测数据集1---300w (Inter-pupil Normalisation)： （LBA论文）common: (4.83), challenge: (10.14), Full: (5.88). （Threshold=0.08） 51点error=4.2%，68点error=6.8%评测数据集2---IBUG: 5.65
评价：
CNN+RNN 深度学习方法效果优于Face++,yan et al,CFSS。
7. Unconstrained Face Alignment via Cascaded Compositional Learning，
速度：
CPU - 350FPS
精度：
评测数据集3---AFLW ： 待补充
评价：
使用决策树;AFLW上优于CFSS，LBF。
8. DRDA：Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders，
速度：
未知
精度：
评测数据集2---IBUG： 待补充
评价：
IBUG数据集上，和很多较差方法做对比，效果稍微优于LBF。
9. Stacked Hourglass Network for Robust Facial Landmark Localisation, CVPR
速度：
未知
精度：
评测数据集1---300w (Inter-pupil Normalisation )：paper: common: 4.12,challenge: 7.00, Full: -. 复现: common: 3.84,challenge: 7.37, Full:4.54.
评价：
添加一篇相关论文：SHN：Stacked Hourglass Networks for Human Pose Estimation，ECCV
开源：
github[网友实现]：/face-alignment-group-of-ahucs/SHN-based-2D-face-alignmentgithub[网友实现]：/raymon-tian/hourglass-facekeypoints-detectiongithub[网友实现]：/deepinx/deep-face-alignment
10. Style Aggregated Network for Facial Landmark Detection, CVPR
速度：
未知
精度：
待补充
评价：
待补充
开源：
github[作者给出]：/D-X-Y/landmark-detection
11. Wing Loss for RobustFacial Landmark Localisation with Convolutional Neural Networks.
速度：
GTX1080 TITAN - 60msCPU - 100/15/5 FPS
精度：
评测数据集1---300w (Inter-pupil Normalisation )：common: 3.27,challenge: 7.18, Full: 4.04.
评价：
Wing loss.数据均衡PDB
12. LAB：Look at Boundary: A Boundary-Aware Face Alignment Algorithm. CVPR.
速度：
GTX1080 TITAN - 60msCPU - 未知
精度：
评测数据集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). 评测数据集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).
评价：
结合轮廓目前已知精度最高
13. DCFE：A Deeply-initialized Coarse-to-fine Ensemble of Regression Trees for Face Alignment.
速度：
环境：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.训练时间：48h预测速度：GTX 1080 (8GB) - 32 FPS，其中 CNN 25ms，ERT-6.25msCPU - 未知
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (3.83), challenge: (7.54), Full: (4.55). 评测数据集1.3---300w (Inter-corners Normalisation)：common: (2.76), challenge: (5.22), Full: (3.24).
评价：
比LAB低，但速度比LAB快
14. PFLD：A Practical Facial Landmark Detector.
速度：
ARM 845 140fps
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (3.17), challenge: (6.33), Full: (3.76). 评测数据集1.3---300w (Inter-ocular Normalisation)：common: (2.96), challenge: (4.98), Full: (3.37).
评价：
打破以往的所有成绩，速度最快，在ARM 高通845处理器上可以跑到140fps在300w上各项成绩均能达到最佳模型非常小巧，模型仅有2.1M，便于移植基于L2设计了一个新的loss，该loss能够针对数据的不均衡（姿态角度/类别）进行损失计算采用backbone（Mobilenet v2）+ auxiliary （Mobilenet v2），其中辅网Auxiliary仅在训练使用唯一的不足是，作者只给出了文章和一个APP，没有开源代码，只能借鉴其思想题外话：这篇文章在很多地方描述的还是不到位，有些概念还是没能够搞清楚，此外本文列出CED图也和LAB文章中给出的出入很大，不知道是作者的错误，还是我理解有误。
开源：
paper：/pdf/1902.10859.pdfgithub[网友复现]：/guoqiangqi/PFLD
15. ODN：Robust Facial Landmark Detection via Occlusion-adaptive Deep Networks. CVPR
速度：
待补
精度：
评测数据集1.3---300w (Inter-ocular Normalisation)：common: (3.56 ), challenge: (6.67), Full: (4.17).
评价：
wing loss + LAB
开源：
16. AWing：Adaptive Wing Loss for Robust Face Alignment via Heatmap Regression
速度：
待补
精度：
评测数据集1---300w (Inter-pupil Normalisation)： common: (3.77 ), challenge: (6.32), Full: (4.31). 评测数据集1.3---300w (Inter-ocular Normalisation)：common: (2.72), challenge: (4.52), Full: (3.07).
评价：
待补
开源：
github: /protossw512/AdaptiveWingLoss
17. LUVLi Face Alignment: Estimating Landmarks’ Location, Uncertainty, and Visibility Likel
速度：
精度：
评测数据集1.3---300w (Inter-ocular Normalisation)：common: (2.76), challenge: (5.16), Full: (3.23).
评价：
开源：
18. ATF: Towards Robust Face Alignment via Leveraging Similarity and Diversity across Different Datasets
速度：
精度：
评测数据集1.3---300w (Inter-ocular Normalisation)：common: (2.76), challenge: (5.16), Full: (3.23).
评价：
开源：
指标汇总：
1. 数据集 300w
2. 数据集 WFLW
To Do List：
ADD 论文对应链接ADD 开源代码及相关工具链接ADD 个人评测指标和各个平台速度ADD 博文解读敬请关注参考博文：
[1] /xzzppp/article/details/74939823
[2] /Taily_Duan/article/details/54376467
[3] /Mynameisyournamewuyu/article/details/85490059
[4] /wwwhp/article/details/88361422
