面向真实环境中基于外观的视线估计精度提升
计算机视觉与模式识别
2023-02-15 v2 人机交互
摘要
基于外观的视线估计系统近期取得了巨大进展，然而这些技术的性能依赖于用于训练的数据集。现有的大多数视线估计数据集是在交互式设置下于实验室环境中录制的，而在真实环境中录制的数据集则表现出有限的头部姿态和光照变化。此外，我们观察到迄今为止对现有视线估计方法的精度评估关注甚少。在这项工作中，我们提出了一个大型视线估计数据集PARKS-Gaze，具有更广泛的头部姿态和光照变化，并且为单个注视点（Point of Gaze, PoG）提供了多个样本。该数据集包含来自28名参与者的974分钟数据，头部姿态在偏航和俯仰方向上的范围均为60度。我们的数据集内评估、跨数据集评估以及精度评估表明，所提出的数据集更具挑战性，并且能使模型在未见过的参与者上比现有真实环境数据集更好地泛化。项目页面可在此访问：https://github.com/lrdmurthy/PARKS-Gaze
引用
@article{arxiv.2302.02353,
title = {Towards Precision in Appearance-based Gaze Estimation in the Wild},
author = {Murthy L. R. D. and Abhishek Mukhopadhyay and Shambhavi Aggarwal and Ketan Anand and Pradipta Biswas},
journal= {arXiv preprint arXiv:2302.02353},
year = {2023}
}