《表4 MSHF与PFLD在WFLW测试集检测精度比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《引入多尺度特征图融合的人脸关键点检测网络》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

在本文提出的人脸关键点检测网络结构中不同网络层预测关键点坐标，以便实时有效地监督网络表现能力，同时权衡网络的速度和精度，最终得到一个综合性能最好的模型。表3是网络在不同网络层预测关键点的精度比较，可以看出随着网络的不断加深，网络的检测精度也在不断提高，但同时也提高了网络的复杂度和计算量。多尺度热度图融合的引入以及训练过程中multi-loss的使用，使网络更加专注于人脸关键点检测任务，为了最大程度地减少网络的计算量、降低网络的部署成本，可以选择L1作为网络的最终输出。另外，由于使用了Mobile Net作为主干网络，如果选择网络预测关键点L1作为最终输出后，该网络的最终网络结构就是Mobile Net的网络结构，在PFLD网络中同样使用了Mobile Net作为网络的主干，不同的是PFLD使用了分支网络预测人脸偏转角度，利用多损失和多任务的思想来提升网络在人脸关键点检测任务上的表现，将本文网络与PFLD在WFLW测试集上比较精度，结果如表4所示，本文网络的NME（5.90）和failure rate（10.15）均优于PFLD网络的NME（7.30）和failure rate（15.89），而两者的网络复杂度和计算量相当。