原始碼(theano實現)：
首先，可以明顯看出是乙個迭代處理的框架。 關鍵點檢測流程如下：
（1）初始
輸入灰度圖 \(i\) 以及 標準關鍵點模板 \(s_0\)，**得到新的關鍵點位置 \(s_1\)。
其中「feed forward nn」結構如下，輸出136用於**68個關鍵點：
新的關鍵點位置會送入「connection layers」，該網路示意圖如下：
首先計算乙個 \(s_1\) 到 \(s_0\) 的相似變化矩陣 \(t_1\)。注意，這裡不採用仿射變換矩陣，是為了防止區域性畸變。 通過 \(t_1\) 我們可以對影象進行矯正得到 \(t_(i)\), 同時對關鍵點進行變換得到關鍵點熱點圖 \(h_\)。 特徵圖 \(f_\) 是通過拿取「feed forward nn」的f1特徵進一步得到的。
其中關鍵點熱點圖通過下式計算得到：（其實就是乙個中心衰減，關鍵點處值最大，越遠則值越小）
其中特徵圖如下計算的： 輸出特徵為1x3136，reshape為 56x56, 然後上取樣到 112x112，和輸入影象一樣大。 (之所以一開始不搞成112x112，是因為實驗發現提公升不大但計算量會增加比較多。)
（2）初始迭代
每次迭代輸入 \(t_n(i)\), \(h_n\) 和 \(f_n\) ，它們的維度均為 \(112 \times112\)。 然後計算新的 \(s_\)。
需要注意的是，由於影象進行了相似變換，因此為了和最初的輸入影象相匹配，需要做如下矯正：
\(s_ = t_^(t_(s_)+\delta s_)\)
效果圖
menpo challenge，沒有人臉檢測時(直接假定框位於影象中心)的效果：
人臉關鍵點 PFLD人臉關鍵點檢測解讀
參考 應用場景 人臉特效，疲勞檢測，美妝，非官方code 圖1 模型結構圖 圖2 人臉關鍵點 圖3 輔助分支 pfld的模型訓練策略 一開始我們設計的那個簡單的網路，採用的損失函式為mse，所以為了平衡各種情況的訓練資料，我們只能通過增加極端情況下的訓練資料 平衡各類情況下的訓練資料的比例 控制資料...
自動提取人臉關鍵特徵點
分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！自動提取人臉關鍵特徵點 近年來，人臉識別的研究成為模式識別和人工智慧領域的乙個研究熱點。人臉識別過程受到很多因素的干擾，準確地提取人臉的合適特徵是進行正確識別的關鍵，在人臉識別的各類方法中，對基本特徵如眼睛 鼻子和嘴巴等的定位都是必不可少的步驟。我...
自動提取人臉關鍵特徵點
分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！自動提取人臉關鍵特徵點 近年來，人臉識別的研究成為模式識別和人工智慧領域的乙個研究熱點。人臉識別過程受到很多因素的干擾，準確地提取人臉的合適特徵是進行正確識別的關鍵，在人臉識別的各類方法中，對基本特徵如眼睛 鼻子和嘴巴等的定位都是必不可少的步驟。我...