基于深度差分残差网络的视线估计方法
计算机视觉与模式识别
2022-08-09 v1 人工智能
图形学
应用统计
摘要
视线估计是一种在给定人物全脸的情况下确定其注视位置的方法，是理解人类意图的重要线索。与其他计算机视觉领域类似，深度学习（DL）方法已在视线估计领域获得认可。然而，视线估计领域仍存在视线校准问题，阻碍了现有方法进一步提升性能。一种有效的解决方案是直接预测人双眼的差异信息，例如差分网络（Diff-Nn）。但该方案在使用单张推理图像时会导致精度损失。我们提出了一种差分残差模型（DRNet）并结合新的损失函数，以利用两幅眼图的差值信息。我们将差值信息视为辅助信息。我们主要使用两个公开数据集评估所提模型（DRNet）：（1）MpiiGaze 和（2）Eyediap。仅考虑眼部特征时，DRNet 在 MpiiGaze 和 Eyediap 数据集上分别以 4.57 和 6.14 的 angular-error（角度误差）优于最先进的视线估计方法。此外，实验结果还表明 DRNet 对噪声图像具有极强的鲁棒性。
引用
@article{arxiv.2208.04298,
title = {Gaze Estimation Approach Using Deep Differential Residual Network},
author = {Longzhao Huang and Yujie Li and Xu Wang and Haoyu Wang and Ahmed Bouridane and Ahmad Chaddad},
journal= {arXiv preprint arXiv:2208.04298},
year = {2022}
}