On construction of transfer learning for facial symmetry assessment before and after orthognathic surgery

Lin, Hsiu-Hsia; Chiang, Wen-Chung; Yang, Chao-Tung; Cheng, Chun-Tse; Zhang, Tianyi; Lo, Lun-Jou

doi:10.1016/j.cmpb.2021.105928

Cited by 35 publications

(19 citation statements)

References 32 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…According to the publication by Zhang et al [ 29 , 30 ], the degree of facial symmetry is judged through transfer learning, the contour map of the face is used as training data, and the system can be constructed to classify and score the symmetry of the face. Through the transfer of the Xception model, the classification can achieve an accuracy of 90.6%.…”

Section: Methodsmentioning

confidence: 99%

Implementation of an Attention Mechanism Model for Facial Beauty Assessment Using Transfer Learning

Yang

Wang

et al. 2023

Diagnostics

Self Cite

View full text Add to dashboard Cite

An important consideration in medical plastic surgery is the evaluation of the patient’s facial symmetry. However, because facial attractiveness is a slightly individualized cognitive experience, it is difficult to determine face attractiveness manually. This study aimed to train a model for assessing facial attractiveness using transfer learning while also using the fine-grained image model to separate similar images by first learning features. In this case, the system can make assessments based on the input of facial photos. Thus, doctors can quickly and objectively treat patients’ scoring and save time for scoring. The transfer learning was combined with CNN, Xception, and attention mechanism models for training, using the SCUT-FBP5500 dataset for pre-training and freezing the weights as the transfer learning model. Then, we trained the Chang Gung Memorial Hospital Taiwan dataset to train the model based on transfer learning. The evaluation uses the mean absolute error percentage (MAPE) value. The root mean square error (RMSE) value is used as the basis for experimental adjustment and the quantitative standard for the model’s predictive. The best model can obtain 0.50 in RMSE and 18.5% average error in MAPE. A web page was developed to infer the deep learning model to visualize the predictive model.

show abstract

Section: Methodsmentioning

confidence: 99%

Implementation of an Attention Mechanism Model for Facial Beauty Assessment Using Transfer Learning

Yang

Wang

et al. 2023

Diagnostics

Self Cite

View full text Add to dashboard Cite

show abstract

“…The authors used a handcrafted feature Gabor surface feature (GSF) for Patch Attention Layer (PAL) in their CNN to achieve State-of-the-art in facial expression recognition on the CK+, Oulu-CASIA, and JAFFE datasets. Using effective transfering learning to build CNN model for orthognathic surgery on 3D face image gain high results (Lin et al, 2021). Besides general FAL, a survey about face hallucination presented a comprehensive review of DL techniques in face super-resolution (Jiang et al, 2021).…”

Section: Combining Methodsmentioning

confidence: 99%

“…B. proposed two methods "attribute enhanced sparse codeword" and "attribute embedded inverted indexing" for AL on LFW and Pubfig to improve MAP for large-scale face retrieval. Lin et al (2014) In the next section, we will present DL methods which is the most important contribution of attribute learning.…”

Section: Bayesianmentioning

confidence: 99%

An Overview of Facial Attribute Learning

Trang¹,

Fukuzawa²,

Ngoc³

2021

Tạp chí Khoa học

View full text Add to dashboard Cite

Thuộc tính mặt người là thông tin hữu ích cho việc xây dựng các ứng dụng như nhận dạng, tìm kiếm và giám sát khuôn mặt người. Do đó, chúng rất quan trọng đối với các nhiệm vụ phân tích khuôn mặt khác nhau. Nhiều thuật toán học thuộc tính khuôn mặt người đã và đang được phát triển để tự động phát hiện các thuộc tính trong nhiều năm qua. Trong bài báo này, chúng tôi khảo sát một số phương pháp điển hình về học thuộc tính khuôn mặt người. Chúng tôi chia ra năm loại chính của các phương pháp: (1) Học truyền thống, (2) Học sâu đơn nhiệm, (3) Học sâu đa nhiệm, (4) Giải quyết vấn đề mất cân bằng dữ liệu và (5) Thuộc tính khuôn mặt dựa vào phả hệ tri thức. Các phương pháp bao gồm từ học truyền thống đến học sâu, cùng với các phương pháp hỗ trợ giải quyết bài toán lỗ hổng ngữ nghĩa dựa trên phả hệ tri thức và giải quyết sự mất cân bằng dữ liệu. Đối với mỗi phương pháp trong mỗi loại, chúng tôi thảo luận về các lí thuyết cơ bản cũng như điểm mạnh, điểm yếu và sự khác biệt của chúng. Chúng tôi cũng so sánh hiệu suất của chúng trên bộ dữ liệu tiêu chuẩn. Cuối cùng, dựa trên đặc điểm và đóng góp của các phương pháp, chúng tôi đưa ra kết luận và hướng nghiên cứu trong tương lai để giải quyết vấn đề học thuộc tính khuôn mặt. bài khảo sát này sẽ giúp các nhà nghiên cứu có góc nhìn tổng quan nhanh để xây dựng các ứng dụng khuôn mặt người trong tương lai cũng như các nghiên cứu mới.

show abstract

“…Special two-dimensional contour maps converted from CBCTs were considered as the input data. These maps contain much three-dimensional information ( Lin et al, 2021 ). Jeong et al studied the front and side faces of more than 800 subjects with dentofacial dysmorphosis/malocclusion using CNNs and found that CNNs are able to relatively accurately estimate the soft tissue contours related to orthognathic surgery with these photographs alone ( Jeong et al, 2020 ).…”

Section: Applications Of ML In the Dental Oral And Craniofacial Imaging Fieldmentioning

confidence: 99%

Machine learning in dental, oral and craniofacial imaging: a review of recent progress

Ren

Luo

et al. 2021

PeerJ

View full text Add to dashboard Cite

Artificial intelligence has been emerging as an increasingly important aspect of our daily lives and is widely applied in medical science. One major application of artificial intelligence in medical science is medical imaging. As a major component of artificial intelligence, many machine learning models are applied in medical diagnosis and treatment with the advancement of technology and medical imaging facilities. The popularity of convolutional neural network in dental, oral and craniofacial imaging is heightening, as it has been continually applied to a broader spectrum of scientific studies. Our manuscript reviews the fundamental principles and rationales behind machine learning, and summarizes its research progress and its recent applications specifically in dental, oral and craniofacial imaging. It also reviews the problems that remain to be resolved and evaluates the prospect of the future development of this field of scientific study.

show abstract

On construction of transfer learning for facial symmetry assessment before and after orthognathic surgery

Cited by 35 publications

References 32 publications

Implementation of an Attention Mechanism Model for Facial Beauty Assessment Using Transfer Learning

Implementation of an Attention Mechanism Model for Facial Beauty Assessment Using Transfer Learning

An Overview of Facial Attribute Learning

Machine learning in dental, oral and craniofacial imaging: a review of recent progress

Contact Info

Product

Resources

About