从无百万合成图像中学习眼动凝视的无监督域适应：一种对抗方法
计算机视觉与模式识别
2018-10-19 v1
摘要
随着图形引擎的当代进展，深度学习界的近期趋势是在自动标注的模拟样本上训练模型，并在测试时应用于真实数据。这减轻了人工标注的负担。然而，来自图形引擎的图像与真实世界图像之间存在固有的分布差异。这种域差异使在合成样本上训练的模型在测试时性能下降。在本文中，我们针对眼动凝视估计这一各类下游 HCI 任务关键组件的特例，通过跨合成与真实域的无监督对抗特征适应来解决此问题。我们最初从 3D 游戏引擎渲染的标注合成样本上学习一个凝视估计器，随后通过对抗域判别器以零和极小极大对抗博弈的方式，依据生成对抗网络近期范式对未标注真实样本的特征进行适应。这种对抗适应迫使两域特征不可区分，从而使我们在合成域上训练的回归模型可用于真实样本。在具有挑战性的 MPIIGaze 真实生活数据集上，我们以可观的差距优于近期在人工标注真实样本上训练的全监督方法，并且在适应后相比当前基准方法 SimGAN 取得 13% 的额外相对增益。
引用
@article{arxiv.1810.07926,
title = {Unsupervised Domain Adaptation for Learning Eye Gaze from a Million Synthetic Images: An Adversarial Approach},
author = {Avisek Lahiri and Abhinav Agarwalla and Prabir Kumar Biswas},
journal= {arXiv preprint arXiv:1810.07926},
year = {2018}
}