L2CS-Net：无约束环境下的细粒度视线估计
计算机视觉与模式识别
2022-03-08 v1 机器学习
机器人学
摘要
人类视线是诸如人机交互与虚拟现实等多种应用中的关键线索。近来，卷积神经网络（CNN）方法在预测视线方向方面取得了显著进展。然而，由于在野外（in-the-wild）中眼睛外观的独特性、光照条件以及头部姿态与视线方向的多样性，估计视线仍是一项具有挑战性的问题。本文中，我们提出了一种鲁棒的基于CNN的模型，用于在无约束设定下预测视线。我们提出分别回归每个视线角度以提高单角度预测精度，从而提升整体视线性能。此外，我们对每个角度使用两个相同的损失以改善网络学习并增强其泛化能力。我们使用两个流行的在无约束设定下采集的数据集评估我们的模型。我们提出的模型在MPIIGaze与Gaze360数据集上分别达到了3.92{\deg}与10.41{\deg}的当前最优精度。我们在https://github.com/Ahmednull/L2CS-Net开源了代码。
引用
@article{arxiv.2203.03339,
title = {L2CS-Net: Fine-Grained Gaze Estimation in Unconstrained Environments},
author = {Ahmed A. Abdelrahman and Thorsten Hempel and Aly Khalifa and Ayoub Al-Hamadi},
journal= {arXiv preprint arXiv:2203.03339},
year = {2022}
}
备注
Submitted to IEEE International Conference on Image Processing (ICIP) 2022. Our code is available at https://github.com/Ahmednull/L2CS-Net