基于外观的视线跟踪中的个性化学习
计算机视觉与模式识别
2019-09-04 v3
摘要
个体差异严重限制了基于外观的视线跟踪的性能。利用标准神经网络模型自适应方法来适应这些差异是困难的。问题包括由少量训练数据导致的过拟合，以及由受限模型架构导致的欠拟合。我们通过引入空间自适应视线估计器（SPatial Adaptive GaZe Estimator, SPAZE）来解决这些问题。通过将个体差异建模为低维潜在参数空间，SPAZE提供了恰到好处的自适应能力以捕捉个体差异的范围，且不易过拟合。为新个体校准SPAZE归结为求解一个小型优化问题。在MPIIGaze上，SPAZE以9个校准样本取得2.70度的误差，比最先进水平提升14%。我们通过实证表明个体差异可很好地建模为每只眼睛的3维潜在参数空间，从而为视线跟踪研究做出贡献。我们通过考察基于模型的视线跟踪方法说明该低维性是可预期的。我们还展示了无精确头部姿态的准确视线跟踪是可能的。
引用
@article{arxiv.1807.00664,
title = {Learning to Personalize in Appearance-Based Gaze Tracking},
author = {Erik Lindén and Jonas Sjöstrand and Alexandre Proutiere},
journal= {arXiv preprint arXiv:1807.00664},
year = {2019}
}