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