面向基于表观的视线估计中高性能低复杂度标定的研究
计算机视觉与模式识别
2022-02-15 v2
摘要
基于 RGB 图像的表观视线估计可提供相对无约束的视线追踪。我们此前提出了一种视线分解方法，将视线角分解为人脸图像中与受试者无关的视线估计值与受试者相关的偏置之和。本文在该工作基础上，更完整地刻画了标定数据集复杂度与估计精度之间的相互作用。我们利用新构建的 NISLGaze 数据集，分析了标定数据中视线目标数量、每个视线目标所用图像数量以及头部位置数量的影响；该数据集相较于其他数据集，为每个受试者包含了更多样的头部位置与朝向，因而十分适合分析上述效应。对这些因素的更好理解使得低复杂度高性能标定成为可能。我们的结果表明，仅使用单一视线目标与单一头部位置即足以实现高质量标定，以超过 6.3% 的优势优于当前最优（state-of-the-art）方法。一个令人惊讶的发现是，同一估计器在有标定与无标定情况下均取得最佳性能。为更好理解其原因，我们给出了新的理论分析，明确了可预期出现此现象的条件。
引用
@article{arxiv.2001.09284,
title = {Towards High Performance Low Complexity Calibration in Appearance Based Gaze Estimation},
author = {Zhaokang Chen and Bertram E. Shi},
journal= {arXiv preprint arXiv:2001.09284},
year = {2022}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)