通过分支-辅助正则化提升凝视估计的域泛化能力
计算机视觉与模式识别
2024-05-03 v1
摘要
尽管取得了显著进展，主流的凝视估计技术，特别是基于外观的方法，往往会因照明变化和个体面部特征的差异而在不可控环境中出现性能下降。现有的域适应策略受限于需要目标域样本，可能在实际应用中不足。本文介绍了一种称为分支-辅助正则化(Branch-out Auxiliary Regularization, BAR)的新颖方法，旨在提升凝视估计的泛化能力，而无需直接访问目标域数据。具体而言，BAR集成了两个辅助一致性正则化分支：一个使用增强样本来抵消环境变化，另一个将凝视方向与正源域样本对齐，以鼓励学习一致的凝视特征。这些辅助路径强化了核心网络，并以平滑、插拔式的方式集成，便于适应各种其他模型。对四个跨数据集任务进行了全面的实验评估，证明了该方法的优越性。
引用
@article{arxiv.2405.01439,
title = {Improving Domain Generalization on Gaze Estimation via Branch-out Auxiliary Regularization},
author = {Ruijie Zhao and Pinyan Tang and Sihui Luo},
journal= {arXiv preprint arXiv:2405.01439},
year = {2024}
}