DeeSCo：用于视线估计的随机组合损失深度异构集成方法

从医学研究到游戏应用，视线估计正成为一种有价值的工具。虽然存在若干基于硬件的解决方案，但近期基于深度学习的方法，配合大规模数据库的可用性，已能够仅使用消费级传感器提供精确的视线估计。然而，在问题表述、架构选择以及学习范式方面，仍存在许多问题，以设计视线估计系统，从而弥合涉及特定硬件的基于几何的系统与仅使用消费级传感器的方法之间的差距。在本文中，我们引入了一种深度、端到端可训练的基于热力图的弱预测器集成，用于 2D/3D 视线估计。我们表明，通过这些弱预测器的异构架构设计，我们可以改善这些弱预测器之间的去相关性，以设计更鲁棒的深度集成模型。此外，我们提出了一种随机组合损失，其在训练时随机采样弱预测器的组合。这允许训练更好的个体弱预测器，且它们之间相关性更低。这反过来又显著提升了深度集成的性能。我们表明，我们的具有随机组合损失的深度异构集成（DeeSCo）在多个数据集上的 2D/3D 视线估计中优于 SOTA 方法。