Head pose estimation in the wild using approximate view manifolds
Notice bibliographique
Résumé
In this paper, we present a head pose estimation method for unconstrained images using feature-based manifold embedding. The main challenge of manifold embedding methods is to learn a similarity kernel that is reflective of variations only due to head pose and ignore other sources of variation. To address this challenge, we have used the feature correspondences of identity-invariant Geometric Blur features to learn a similarity kernel. To speed up the computation of the similarity kernel, we have used spatial pyramidal matching to approximate feature correspondences and random subsampling of training samples to approximate graph neighborhood. In addition to these approximations, we have used the Nyström approximation to embed out-of-sample test images in an efficient manner. Using these approximations, an approximate view manifold was learned for 14000 images in the Annotated Facial Landmarks in the Wild (AFLW) dataset. With the learned manifold, head pose estimation was performed on four in-the-wild face datasets - AFLW (remaining 7000 images), AFW, McGill and YouTube Faces. The Approximate View Manifold training achieves a 7X speedup compared to the non-approximated Learning-manifold-in-the-wild approach [15]. Further, pose estimation using the proposed approach shows significant improvement in accuracy and reduced Mean Angular Error(MAE) compared to other methods [36, 1, 29] on the challenging AFLW (7041 images), McGill (6833 images) and YouTube Faces (22534 images) datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».