少样本自适应视线估计
计算机视觉与模式识别
2019-10-15 v2
摘要
人际解剖差异限制了与人无关的视线估计网络的精度。然而，为进一步启用需要更高质量的应用，有必要进一步降低视线误差。通过个性化视线网络（理想情况下使用少量校准样本）可获得进一步提升。但过参数化神经网络不易从少样本中学习，因其易快速过拟合。我们直面这些挑战，提出一种用于少样本自适应视线估计（FAZE）的新框架，以极少（小于等于 9）校准样本学习特定个人的视线网络。FAZE 通过解耦编码器-解码器架构学习视线的旋转感知隐表示，并采用经元学习训练的高度自适应视线估计器。它能适配任意新个体，仅用 3 个样本即显著提升性能，在 GazeCapture 上取得 3.18 度的当前最优性能，较先前最佳提升 19%。我们在 https://github.com/NVlabs/few_shot_gaze 开源代码。
引用
@article{arxiv.1905.01941,
title = {Few-Shot Adaptive Gaze Estimation},
author = {Seonwook Park and Shalini De Mello and Pavlo Molchanov and Umar Iqbal and Otmar Hilliges and Jan Kautz},
journal= {arXiv preprint arXiv:1905.01941},
year = {2019}
}
备注
ICCV 2019 (Oral)