Our approach benefits from the rece

Our approach benefits from the recent advances in cascade face alignment [19,
4, 28, 29, 21]. In such works, the face shape is progressively updated via boosted
regression. The regression learning in each stage not only depends on the image,
but also depends on the estimated shape from the previous stage. Features learnt
this way are called shape indexed features. Such features present more invariance
to the geometric variations in the face shapes and they are crucial for high alignment
accuracy and speed. As the cascade structure has been proven effective in
detection and alignment, we propose to combine the two to benefit each other. In
Section 3, we present a general cascade framework that unifies the two tasks. The
detection learning is made more effective with embedded alignment information,
and alignment is achieved simultaneously without performing it separately. In
Section 4, we extend the recent state-of-the-art alignment method [21] under the new framework

ผลลัพธ์ (ไทย) 1:

วิธีการของเราได้รับประโยชน์จากความก้าวหน้าล่าสุดในตำแหน่งหน้าซ้อน [194, 28, 29, 21] ในงาน รูปหน้ามีความก้าวหน้าการปรับปรุงผ่านเพิ่มขึ้นถดถอย การเรียนรู้ถดถอยในแต่ละขั้นตอนไม่เพียงแต่ขึ้นอยู่กับรูปแต่ยัง ขึ้นอยู่กับรูปร่างประเมินจากขั้นตอนก่อนหน้านี้ คุณลักษณะการเรียนรู้วิธีนี้มีลักษณะรูปร่างที่เรียกว่าดัชนี คุณลักษณะดังกล่าวนำเสนอ invariance เพิ่มเติมรูปทรงเรขาคณิตในหน้ารูปร่างและก็สำคัญสำหรับการจัดตำแหน่งสูงความแม่นยำและความเร็ว เป็นแบบเรียงซ้อน โครงสร้างได้รับการพิสูจน์ประสิทธิภาพในการตรวจสอบและการจัดตำแหน่ง เราเสนอรวมทั้งสองเพื่อประโยชน์อื่น ๆ ในส่วน 3 เรานำกรอบซ้อนทั่วไปที่ unifies งานสอง ที่เรียนรู้การตรวจสอบจะมีประสิทธิภาพกับข้อมูลตำแหน่งฝังตัวและจัดทำพร้อมกันโดยไม่ต้องทำแยกต่างหาก ในส่วน 4 ตึกล่าสุดรัฐ-of-the-art จัดวิธี [21] ภายใต้กรอบใหม่

ผลลัพธ์ (ไทย) 2:

วิธีการของเราได้รับประโยชน์จากความก้าวหน้าล่าสุดในการจัดตำแหน่งใบหน้าน้ำตก [19,
4, 28, 29, 21]
ในงานดังกล่าวรูปร่างใบหน้าที่มีการปรับปรุงความก้าวหน้าเพิ่มขึ้นผ่านการถดถอย ถดถอยการเรียนรู้ในแต่ละขั้นตอนไม่เพียง แต่ขึ้นอยู่กับภาพ
แต่ยังขึ้นอยู่กับรูปร่างโดยประมาณจากขั้นตอนก่อนหน้า
เรียนรู้รูปแบบและวิธีนี้จะเรียกว่ารูปร่างคุณสมบัติการจัดทำดัชนี คุณสมบัติดังกล่าวนำเสนอแปรเปลี่ยนมากขึ้นกับรูปแบบทางเรขาคณิตในรูปทรงใบหน้าและพวกเขามีความสำคัญสำหรับการจัดตำแหน่งสูงความถูกต้องและความเร็ว ในฐานะที่เป็นโครงสร้างของน้ำตกที่ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในการตรวจจับและการจัดตำแหน่งที่เราเสนอให้รวมทั้งสองจะได้รับประโยชน์ซึ่งกันและกัน ในส่วนที่ 3 เรานำเสนอกรอบน้ำตกทั่วไปที่เป็นหนึ่งเดียวทั้งสองงาน การเรียนรู้การตรวจสอบจะทำมีประสิทธิภาพมากขึ้นกับข้อมูลการจัดตำแหน่งที่ฝังตัวและการจัดตำแหน่งจะประสบความสำเร็จไปพร้อม ๆ กันโดยไม่ต้องดำเนินมันแยกกัน ในหมวดที่ 4 เราขยายรัฐของศิลปะวิธีการจัดตำแหน่งที่ผ่านมา [21] ภายใต้กรอบการทำงานใหม่

ผลลัพธ์ (ไทย) 3:

ของเราใช้ประโยชน์จากความก้าวหน้าล่าสุดในน้ำตกหน้าแนว [ 19 ,
4 , 28 , 29 , 30 ] ในงานดังกล่าว รูปหน้าความก้าวหน้าการปรับปรุงผ่านทางเพิ่มขึ้น
การถดถอย การสอนในแต่ละขั้นตอนที่ไม่เพียง แต่ขึ้นอยู่กับภาพ
แต่ยังขึ้นอยู่กับประมาณรูปร่างจากขั้นตอนก่อนหน้า คุณสมบัติเรียน
วิธีนี้เรียกว่ารูปร่างดัชนีคุณลักษณะคุณลักษณะดังกล่าวเสนอแปรเปลี่ยน
กับรูปแบบทางเรขาคณิตในรูปร่างใบหน้าและพวกเขาเป็นสิ่งสำคัญสำหรับความถูกต้องตำแหน่ง
สูงและความเร็ว เป็นโครงสร้างแบบได้รับการพิสูจน์ประสิทธิภาพในการตรวจหาและแนว
เราเสนอให้รวมสองเพื่อประโยชน์แก่ผู้อื่น ในมาตรา 3
เรา ปัจจุบัน ทั่วไปตามกรอบที่ unifies สองงาน .
เรียนรู้การสร้างประสิทธิภาพมากขึ้น ด้วยข้อมูลการฝังตัวและการจัดแนวได้พร้อมกันโดยไม่
าแยกกัน ใน
มาตรา 4 เรายืดล่าสุดรัฐ - of - the - art ) [ 21 ] ภายใต้กรอบแนวใหม่