用于近红外凝视估计的对比加权学习
计算机视觉与模式识别
2022-12-09 v2 机器学习
摘要
基于表观的凝视估计借助深度学习已非常成功。许多后续工作改进了凝视估计的域泛化。然而，尽管凝视估计的域泛化已取得诸多进展，近期大多数工作仍聚焦于跨数据集性能——即应对光照、头部姿态和照明分布的不同。虽然改进不同分布RGB图像的凝视估计十分重要，但基于近红外图像的凝视估计对于暗光环境下的凝视估计同样关键。此外，仅依赖监督学习进行回归任务存在固有局限。本文致力于解决这些问题，并提出GazeCWL，一种利用对比学习处理近红外图像凝视估计的新框架。其借助对抗攻击技术进行数据增强，并提出了一种专用于回归任务的新型对比损失函数，可有效在潜空间中对不同样本特征聚类。我们的模型在近红外图像凝视估计上优于先前的域泛化模型，相较基线提升45.6%，同时将SOTA提升8.6%，我们证明了方法的有效性。
引用
@article{arxiv.2211.03073,
title = {Contrastive Weighted Learning for Near-Infrared Gaze Estimation},
author = {Adam Lee},
journal= {arXiv preprint arXiv:2211.03073},
year = {2022}
}
备注
There were deficiencies in the experiment process for validation