基于全卷积网络的人脸分割(论文12000字,外文翻译)
摘要：人脸分割作为许多技术的一个关键步骤，例如人脸识别，只有明确的分割出所需要的人脸区域，才能进行有关的下一步操作。人脸分割之后的图像不仅能应用于人脸识别，还可以在化妆技术和脸谱变换等技术上进行运用，所以人脸分割便成为当代满足人们需求的一个重要基础。故而，进行明确的人脸分割显得尤为重要。本论文中的人脸分割基于全卷积网络（简称FCN），全卷积网络对图像进行像素级分类，从而解决了语义级别的人脸分割问题。和以往的卷积网络相较而言，传统的卷积网络的分类方式是在卷积层之后使用全连接层得到固定长度的特征向量。而全卷积网络的输入可以是任意尺寸，它采用了反卷积操作对最后一个卷积层的特征图进行上采样, 使末端的输出图像能够恢复到与输入图像相同的尺寸，从而使得产生的预测能够遍及每一个像素。 同时全卷积网络的空间信息保留较为完整,最终图像的分割效果能得到较好的体现。最后在测试阶段，当输入人脸后，能够得到相应的人脸分割结果图像。
关键词:人脸分割, 全卷积网络, 像素级分类，图像语义分割，空间性
Face Parsing based on Fully Convolutional Networks
Abstract: Face Parsing is a key step for Face recognition, and only a clear segmentation of the required human Face area can be performed for the next step. Face after Parsing images not only can be applied to Face recognition, but also be conducted on make-up and face transformation technology which is applied, so it becomes a contemporary important basis that meets the demand of people. Therefore, it is very important to have a clear Face Parsing. In this paper, it is based on the FullyConvolutionalNetworks (FCN), and FCN classifies images in pixels, thus solving the semantic level of Face Parsing. With classic CNN in convolution using all connections which gets fixed length layer characteristic vector classification, FCN can accept any size of the input image. It applies the deconvolution of last convolution layer on the feature map of sampling and makes it back to the input image of the same size, which can produce a forecast for each pixel. The FCN retains the original input space information of images,and the segmentation effect of the final image can be better reflected., Finallyin the test phase, after entering the Face, you can get the corresponding Face Parsing result image.
Keywords:Fase Parsing,FCN,the sampling pixels,classifying images in pixels of images, spatiality
目录
1 绪论 4
1.1 人脸分割的研究背景和意义 4
1.2 人脸分割语义数据集和算法的发展 5
1.3 本论文的主要内容和结构安排 6
2 早期人脸分割方法 7
2.1 前DL时代的语义分割 7
2.1.1 Normalized Cut 7
2.1.2 Grab Cut 7
2.2 DL时代的语义分割 8
2.2.1 卷积神经网络（CNN） 8
2.2.2 卷积神经网络的限制 8
3 全卷积神经网络(FCN) 9
3.1 卷积化 9
3.1.1 卷积化 9
3.1.2 全连接层与卷积层的转化 10
3.1.3 转化的意义 11
3.1.4 全卷积网络名称的由来 12
3.2 反卷积 13
3.3 跳跃结构 14
3.4 全卷积神经网络的优点和不足 16
4 实验 16
4.1 数据集 16
4.2 基于CAFFE的全卷积神经网络训练 17
4.3 应用界面的设计 20
5 总结与展望 23
参考文献 25
致谢 27
|
