论文《Interspecies Knowledge Transfer for Facial Keypoint Detection》翻译

旧时模样 提交于 2020-02-28 03:45:20

目录

论文链接:Interspecies Knowledge Transfer for Facial Keypoint Detection

代码 :  https://github.com/ menoRashid/animal_human_kp

摘要:

1. Introduction

2. Related work

3. Approach

4. Experiments

5. Conclusion


论文作者及机构:

          

摘要:

       我们提出了一种通过转换人脸面部信息从而定位动物面部特征关键点的方法。与其说是,直接训练网络将人脸关键点finetune到动物面部关键点(这种方法次优化,因为人脸和动物脸部看起来十分不同), 我们建议通过修改动物和人脸形状的不同,从而使动物图像适应人脸检测预训练模型。首先我们通过使用无监督形状匹配方法为每张输入的动物图像找到最相近的人脸图像。我们使用这些匹配项训练一个 warp网络用来warp每一张输入的动物面部使其更像人脸 。这个wrap网络然后和一个预训练后的人脸关键点检测网络用动物数据进行联合finetune。  我们展示了马和羊脸关键点检测的最新结果,与简单的微调相比具有明显改善,尤其是在训练数据稀缺时。此外,我们提出了一个新的数据集具有3717具有马脸图像和面部关键点标注。

1. Introduction

      面部关键点检测是面部对齐及注册重要的先决条件,并且对脸部表情分析,人脸跟踪,以及操控及转换人脸图形方法有一定的影响。尽管人脸关键点检测是个比较成熟的研究领域,但动物脸部关键点检测却是一个相对尚未探索的领域。例如,兽医研究表明马、老鼠、羊、和猫在面对疼痛时有不同的面部表情(面部关键点检测通常可以帮助检测动物疼痛)。在本文中,我们主要做马和羊的面部关键点检测。  卷积神经网络(cnn)在人脸关键点检测领域具有很好的表现,因此cnn也是动物关键点检测的一个很好的选择。不幸的是,从头训练一个神经网络需要大量的标注数据,费时又费钱。此外,当训练数据不足时,cnn可以采用finetune的方式。预训练的网络的泛化能力受到可用于微调的数据量以及两项任务之间的相关性的限制。例如,先前的工作表明在man-made对象上训练的网络具有有限的适应自然对象的能力,并且只有与目标任务相关时,附加的预训练数据才是有益的。我们有大量的人脸关键点标注数据,但是却没有大量的动物关键点训练数据来训练神经网络。于此同时,由于人脸和动物面部结构的不同,直接采用微调的方式可能不会得到很好的结果。在本文中,我们通过转换人脸和动物面部数据的方式解决了这个问题(关键点检测)。然而怎样才能通过cnns达到这样的效果呢? 我们主要是使数据集适应预先训练的网络,以便更好地进行微调,而不是使预训练网络去适应训练新的数据集。将新数据集和预训练任务中数据进行匹配映射,我们可以用一个人脸关键点检测的网络,然后finetune网络使其能够对动物面部进行检测。具体来说,我们的想法是warp每个动物图像,使其看起来更像人类,然后使用所产生的wrap图像微调经过预训练的网络,以检测人的面部关键点。

                                                                  

      直观地讲,通过使动物的面部看起来更像人类,我们可以纠正它们的形状差异实现,因此在微调过程中,网络仅需要适应其外观差异。例如,马嘴角之间的距离通常比其眼睛之间的距离小得多,而对于人类来说,这些距离大致相似(形状不同)。另外,马有毛皮,人没有。 我们通过wrap网络会拉开马的嘴角来调整形状差异,而在微调过程中,关键点检测网络会学会针对外观差异进行调整。

Contributions.
1. 引入了一种用于动物面部关键点检测的新方法,该方法从人类面部关键点检测的loosely-related领域中转换信息。
2. 提供了一个新的带标注的马面部关键点数据集,其中包含3717张图像。
3.展示了马匹和绵羊关键点检测的最新结果。 通过将动物数据转换为看起来更像人类的图像,我们可以通过简单的微调在关键点     检测精度上获得显着提高。 重要的是,随着训练数据量的减少,我们的方法与简单的微调之间的差距越来越大,这表明我们的     方法对小型数据集的实际适用性。
 

2. Related work

      面部关键点检测和对齐在计算机视觉的研究中已经十分成熟。经典算法包括....(此处省略)
 

3. Approach

 
      我们的目标是在没有大量动物标注数据集的情况下检测出动物的面部关键点。为此,我们建议采用预先训练的人脸关键点
检测器,同时考虑它们的种间域差异。为了进行训练,我们假设访问关键点注释的动物脸部,关键点注释的人脸及其相应的预先训练的人类关键点检测器。为了进行测试,我们假设可以使用动物脸部检测器(即,我们仅专注于面部关键点检测而不是面部检测)。我们的方法包括三个主要步骤:查找与每个动物脸部姿势相似的最近邻人脸; 利用最近的邻居来训练从动物到人类的变形网络; 并使用变形的(类似人的)动物图像微调用于动物面部关键点检测的预先训练的人类关键点检测器。
 
3.1. Nearest neighbors with pose matching
 
      为了能够使(losely-related)人脸关键点检测器进行微调适用动物,我们的想法是首先使动物的脸部变形为更像人的形状,以便预先训练的人检测器更容易 适应动物数据。 一个挑战是,任意一对动物和人的脸对都可能表现出截然不同的姿势(例如,朝右的马和朝左的人),这会使翘曲变得极具挑战性,甚至是不可能的。 为了减轻这种困难,我们首先找到处于相似姿势的动物和人类。
      如果我们有针对动物和人脸的姿势分类器/注释,那么我们可以简单地使用它们的分类/注释来找到动物和人脸对。 然而,在这项工作中,我们假设我们没有姿势分类器和姿势注释的访问权限。 取而代之的是,我们在给定其关键点注释的情况下找到接近人脸姿势。 更具体地说,我们计算一对人类和动物关键点之间的角度差,然后为每个动物实例选择最相似的人脸。
                                                       
 
                                                      
 
3.2. Interspecies face warping network
 
      现在,我们拥有动物面部和其对应的最像的人脸数据,我们用这些匹配数据训练一个animal-to-human的wrap网络。这个网络可以使动物面部更像人脸,所以用wrap后动物数据去finetune预训练人脸特征点检测网络相比直接finetune更加容易。
     为此,我们训练了一个CNN网络,该CNN网络将动物图像作为输入并通过(TPS)[4]进行变形。 我们的wrap网络是一个空间变换器[19],主要区别在于我们的wrap是直接受监督的,类似于[6]。我们的网络架构类似于[38]中的本地化网络; 直到第五个卷积层为止,它与Alexnet [24]相同,随后是一个1×1卷积层,该层将过滤器的数量减半,两个全连接层,并在第五层之前进行BN。 在训练过程中,前五层将在ImageNet上进行预训练。 我们发现这些层/过滤器选择TPS转换而不会发生过拟合。
      对于每组动物和人类训练数据,我们首先使用其对应的关键点对来计算标注的TPS变换,然后应用该变换产生标注后的wrap动物图像。 然后,我们使用wrap网络计算预测的wrap动物图像。为了训练网络,我们对标注的wrap图像和预测的wrap图像像素位置偏移之间的差异进行回归,类似于[21]。 具体来说,我们使用平方差损失来训练网络:
                       
 
     我们的wrap网络不需要额外的标注来进行训练,因为我们仅使用动物 / 人类关键点注释来找到匹配项(对于训练其相应的关键点检测器,这些匹配项已经可用)。 另外,由于每个动物实例都具有多个(K = 5)人类匹配项,因此训练了wrap网络以将多个转换识别为潜在的正确的转换。 这是数据增强的一种形式,有助于使网络对异常匹配的敏感度降低。
 
 
3.3. Animal keypoint detection network3.3. Animal keypoint detection network
 
      我们上节提到的wrap网络可以使动物数据和人脸数据更加相似。所以我们可以利用大型的人脸关键点标注数据集去训练动物关键点。最后一步finetune人脸关键点检测网络,去检测我们wrap后的动物面部。
      我们的关键点检测网络是一种Vanilla CNN的变形体。该网络有四个卷积层, 两个全连接层(tanh激活),max-pooling用在后三层卷积上。我们通过添加卷积层和max-pooling 调整使其适应更大的图像—我们用的是224*224而不是40*40的图像。此外我们在每层添加batch normalizaton层,因为原始网络中tanh容易过拟合。 
                                           
      关键点检测损失函数:smooth-L1
 
                                            
      我们将没有相应的标注(由于遮挡)的预测关键点的损失设置为零。
 
3.4. Final architecture
      在我们最终的模型中,在预训练人脸关键点检测模型之前我们适应了一个warp网络。 我们用两个loss共同finetune这个网络。关键点检测损失keypoint 通过关键点检测网络和wrap网络反向传播。 另外,wrap损失 L warp通过 wrap 网络反向传播,并且在更新两个网络的权重之前计算梯度。
      在测试阶段,我们的关键点检测网络会在每张图像上预测所有5个面部关键点。 在我们的实验中,对于图像中不可见的关键点预测,我们将不会进行惩罚,并且仅针对具有相应真实标记的预测关键点来进行评估。 为了进行评估,使用TPS扭曲参数将在wrap图像上预测的关键点转换到原始图像。
 
3.5. Horse Facial Keypoint dataset
      作为这项工作的一部分,我们创建了一个新的马数据集来训练和评估面部关键点检测算法。共3717张,3531张用来训练,186张用于测试。我们标注了每张图像的面部框和5个关键点:左眼, 右眼, 鼻子, 左嘴角,右嘴角。
 

4. Experiments

      在本节中我们分析关键点检测模型的准确性,并逐个分析每个模块。此外,我不同数量的数据集上对模型进行评估,并在wrap网络表现较好的情况下评估最优解。
 
Baselines:
      我们与[51]中提出的算法进行比较,该算法在级联形状回归框架中使用三重态插值特征(TIF)进行动物关键点检测。 我们还制定了自己的baseline。 第一个baseline是没有扭曲网络的完整模型。 它只是在动物数据集(“ BL FT”)上微调了预先训练的人脸关键点网络。 第二个baseline是我们的完整模型,没有wrap损失; 即,它仅通过关键点检测损失来微调预训练的人脸关键点网络和wrap网络。 该基线等用于[19]中提出的空间变换器设置。 我们使用TPS(“ BL TPS”)显示了此结果。 第三个baseline从零开始训练关键点检测网络。 即无需进行任何人脸关键点检测的预培训,也无需扭曲网络(“从头开始”)。
 
Datasets:
      我们根据AFLW [23]数据集和[40]中使用的训练数据对人脸关键点进行了关键点检测网络的预训练(共31524张图像)。 该数据集还用于动物到人类的最近邻居检索。 我们评估了对两种动物(马和羊)的关键点检测。 对于 马 实验,我们使用“ 马面部关键点”数据集,该数据集包含3531张训练图像和186张测试图像。 对于羊 实验,我们手动标注了[51]中提供的数据集的一部分,以便在人类数据集中存在相同的5个关键点。 该数据集包含432张训练图像和99张测试图像。
 
Evaluation metric:

      我们使用与[51]相同的度量标准进行评估:如果预测的关键点与标注的关键点之间的欧式距离大于面部(边界框)大小的10%,则视为失败。 然后我们将平均失败率计算为失败的测试关键点的百分比。

 
Training and implementation details:

      我们发现,在联合训练之前对wrap网络进行预训练可以带来更好的性能。 为了训练wrap和关键点网络,我们对每张动物图像使用K = 5个人类图像。 这些匹配项还用于4.4节中介绍的“ GT Warp”网络中。 

      对于TPS wraping 网络,我们使用5×5的控制点网格。 我们使用adam[22]优化器。 wrap网络训练的基本学习率为0.001,而预训练层的学习率则低10倍。 它训练了50个epoch,学习率在25个epoch后降低了10倍。 在完整的系统训练过程中,wrap网络的学习速率相同,而关键点检测网络的学习速率为0.01。 我们将网络训练了150个epoch,分别在50和100个epoch后降低了学习率。 最后,我们使用水平翻转和从-10°到10°的旋转(以5°为增量)进行数据增强。

 
4.1. Comparison with our baselines
      首先,我们将所有模型和我们的模型进行比较。如图5,分别展示了马和羊数据集的验证结果。在这两个数据集中,我们的模型表现更好,关键点平均失败率分别为8.36%,0.87%。
  
                                                        
      
      总体而言,羊的错误率低于马的错误率,这是因为羊脸数据相对于马脸数据的姿势分布更像人。人脸和羊脸的正向姿势(5个关键点)在所有图像中的占比分别为72%和84%,而马脸只有29%,大部分马脸都是侧脸(3个关键点)。因此,羊脸更加适合人脸预训练的模型。尽管如此,我们的方法相对于其他方法在这两个数据集上表现的也更好,也证明了我们的方法可以适用于其他不同的数据集。
      这些结果也表明了我们系统每个部分的重要性,训练一个人脸预训练模型比从头训练好,添加wrap网络进一步提升了模型效果。
             
                                    
 
 
                                                       
4.2. Comparison with Yang et al
      我们接下来将我们的方法与Triplet InterpolatedFeatures (TIF)(三重插值特征)方法进行比较,该方法是目前最先进的动物关键点检测器,该方法要求在所有训练数据都是标注的。 我们在那里选择了一个马和绵羊图像的子集,其中数据标注了5个关键点:绵羊 345/100(训练/测试),马 982/100(训练/测试)。
                               
 
                                                                
                                                                 
 
 
 
 
4.3. Effect of training data size
      在本节中,我们评估了随着训练数据量的变化,网络性能如何变化。 为此,我们训练和测试了多组模型和基线的baseline,每次在Horse数据集上使用500到3531幅训练图像,并且以500幅图像为增量。
                                                                 
 
 
4.4. Effect of warping accuracy
      我们接下来分析wrap网络对关键点检测的影响。为此,我们首先分析用ground-truth warp(“GT Warp”)的图像finetune的关键点检测网络的效果,我们通过使用人和马脸之间的标注进行wrap。 从某种意义上讲,这代表了我们系统性能的上限。
      下表显示了我们Horse数据集的结果。 首先,GT Warp的上限比我们的方法产生的错误率更低,这证明了通过wrap校正形状差异的想法的有效性。同时,GT Warp的错误率不可忽略,这也暗示了我们wrap网络的训练数据和和姿势匹配策略的局限性。 更好的训练数据,或者使用不同的算法进行最近邻匹配,或者使用注释的关键点增加,可能会导致更好的上限,并且也可能会为我们的方法提供改进。
 
                                                        
 
4.5. Evaluation of Nearest Neighbors
      最后,我们评估系统中所使用的最近邻方法。 在训练马数据集的过程中,我们修改最近邻K值从1至15(增量为5)。实验结果如下图所示。
 
                                                                        
 

5. Conclusion

      我们提出了一种新的动物面部关键点定位方法。 传统的deeplearning通常需要大量的带标注的数据,此类数据集的制作费时又费利。因此我们没有制作大型带标注的动物数据集,而是使动物的脸部形状wrap成人的形状。 通过这种方式,我们可以利用目前已有的人脸关键点数据集来进行与动物脸部关键点检测任务。 并我们将我们的方法与其他baselines进行了实验对比,并展示了有关马和绵羊面部关键点检测的最新结果。 最后,我们制作了Horse Facial Keypoint数据集,我们希望该数据将对动物面部关键点检测这一领域有所帮助。

 
 
易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!