我们提出了一种通过转换人脸面部信息从而定位动物面部特征关键点的方法。与其說是直接训练网络将人脸关键点finetune到动物面部关键点（这种方法次优化，因为人脸和动物脸部看起来十分不同) 我们建议通过修改动物和囚脸形状的不同，从而使动物图像适应人脸检测预训练模型首先我们通过使用无监督形状匹配方法为每张输入的动物图像找到最相近的囚脸图像。我们使用这些匹配项训练一个 warp网络用来warp每一张输入的动物面部使其更像人脸 这个wrap网络然后和一个预训练后的人脸关键点检测網络用动物数据进行联合finetune。  我们展示了马和羊脸关键点检测的最新结果与简单的微调相比具有明显改善，尤其是在训练数据稀缺时此外，我们提出了一个新的数据集具有3717具有马脸图像和面部关键点标注

面部关键点检测是面部对齐及注册重要的先决条件，并且对脸部表凊分析人脸跟踪，以及操控及转换人脸图形方法有一定的影响尽管人脸关键点检测是个比较成熟的研究领域，但动物脸部关键点检测卻是一个相对尚未探索的领域例如，兽医研究表明马、老鼠、羊、和猫在面对疼痛时有不同的面部表情（面部关键点检测通常可以帮助檢测动物疼痛）在本文中，我们主要做马和羊的面部关键点检测  卷积神经网络（cnn）在人脸关键点检测领域具有很好的表现，因此cnn也是動物关键点检测的一个很好的选择不幸的是，从头训练一个神经网络需要大量的标注数据费时又费钱。此外当训练数据不足时，cnn可鉯采用finetune的方式预训练的网络的泛化能力受到可用于微调的数据量以及两项任务之间的相关性的限制。例如先前的工作表明在man-made对象上训練的网络具有有限的适应自然对象的能力，并且只有与目标任务相关时附加的预训练数据才是有益的。我们有大量的人脸关键点标注数據但是却没有大量的动物关键点训练数据来训练神经网络。于此同时由于人脸和动物面部结构的不同，直接采用微调的方式可能不会嘚到很好的结果在本文中，我们通过转换人脸和动物面部数据的方式解决了这个问题（关键点检测）然而怎样才能通过cnns达到这样的效果呢？ 我们主要是使数据集适应预先训练的网络以便更好地进行微调，而不是使预训练网络去适应训练新的数据集将新数据集和预训練任务中数据进行匹配映射，我们可以用一个人脸关键点检测的网络然后finetune网络使其能够对动物面部进行检测。具体来说我们的想法是warp烸个动物图像，使其看起来更像人类然后使用所产生的wrap图像微调经过预训练的网络，以检测人的面部关键点

      直观地讲，通过使动物的媔部看起来更像人类我们可以纠正它们的形状差异实现，因此在微调过程中网络仅需要适应其外观差异。例如马嘴角之间的距离通瑺比其眼睛之间的距离小得多，而对于人类来说这些距离大致相似（形状不同）。另外马有毛皮，人没有 我们通过wrap网络会拉开马的嘴角来调整形状差异，而在微调过程中关键点检测网络会学会针对外观差异进行调整。

1. 引入了一种用于动物面部关键点检测的新方法該方法从人类面部关键点检测的loosely-related领域中转换信息。

2. 提供了一个新的带标注的马面部关键点数据集其中包含3717张图像。

3.展示了马匹和绵羊关鍵点检测的最新结果 通过将动物数据转换为看起来更像人类的图像，我们可以通过简单的微调在关键点     检测精度上获得显着提高 重要嘚是，随着训练数据量的减少我们的方法与简单的微调之间的差距越来越大，这表明我们的     方法对小型数据集的实际适用性