基于因果表示的视线估计域泛化
计算机视觉与模式识别
2024-09-02 v1
摘要
包含每个受试者视线信息的大规模数据集的可用性显著提高了视线估计的准确性。然而，域之间的差异严重影响了明确针对特定域训练的模型的性能。在本文中，我们提出了基于因果表示的视线估计域泛化框架，该框架基于因果机制的一般原理设计，与域差异相一致。我们采用对抗训练方式和额外的惩罚项来提取域不变特征。在提取特征后，我们设置注意力层使特征足以推断实际视线。通过利用这些模块，CauGE 确保神经网络从满足因果机制一般原理的表示中学习。借此，CauGE 通过提取域不变特征实现跨域泛化，且伪相关无法影响模型。我们的方法在视线估计域泛化基准上取得了 SOTA 性能。
引用
@article{arxiv.2408.16964,
title = {Causal Representation-Based Domain Generalization on Gaze Estimation},
author = {Younghan Kim and Kangryun Moon and Yongjun Park and Yonggyu Kim},
journal= {arXiv preprint arXiv:2408.16964},
year = {2024}
}