轻量级头姿不变的视线追踪

使用现成摄像头进行无约束的远程视线追踪是一个具有挑战性的问题。近年来，基于外观的视线估计使用卷积神经网络（CNN）的有前景的算法已被提出。提升其对各种混杂因素（包括可变头姿、受试者身份、光照和图像质量）的鲁棒性仍是开放问题。在本工作中，我们研究了可变头姿对训练用于估计视线方向的机器学习回归器的影响。我们提出了一种新颖的分支CNN架构，在不增加计算成本的情况下提升了视线分类器对可变头姿的鲁棒性。我们还提出了多种有效训练视线网络的方法，包括从更相关的物体视角估计任务以及从大型高保真合成视线数据集进行迁移学习，这使得我们快十倍的视线网络能够达到与其当前最先进直接竞争对手相当的精度。