《Stacked Hourglass Network for Robust Facial Landmark Localisation》
- CVPR2017, Jing Yang 、Qingshan Liu
本文提出的方法主要由两部分构成，face transformation和stacked Hourglass Networks。
第一步：supervised face transformation
目的是减弱数据中大姿态的变化对人脸对齐的影响。通过平移、缩放、旋转变化来校正成平均人脸图像，通过5点的关键点来完成，使用相似变换进行校正图像。
第二步：four stacked Hourglass Networks
Houglass网络能够提取多尺度具有辨别力的特征，也可以作为一个回归器去定位最后的关键点坐标。
整体结构：
Hourglass结构：
结构中参数比较清晰，仅改变深度，不改变尺寸，可以作为一种比较高级的卷积层。
损失函数：L2 loss
评价标准：
总结：
论文结构比较清晰，方法类似于2D-FAN，但前端增加了一个校正结构，更好的处理大姿态的人脸对齐。