May, 2024

通过分支辅助规则改善注视估计中的领域通用化

PDF
TL;DR通过引入支离破碎辅助正则化（Branch-out Auxiliary Regularization，BAR）方法，提升注视估计的泛化能力，无需对目标域数据进行直接访问，通过整合两个辅助一致性正则化方法，增强核心网络的能力并易于适应其他模型，实验证明该方法在四个跨数据集任务中具有卓越优势。
gaze estimationappearance-based methodsdomain adaptationauxiliary regularizationcross-dataset tasks
发现论文，激发创造
  • PureGaze：用于通用注视估计的纯净注视特征

    本文提出了一种针对凝视估计中的跨领域问题的域通用化方法，通过凝视特征净化，消除光照和身份等与凝视无关的因素，不仅极大地改善了我们的基准模型，还直接显著提高了现有凝视估计方法的性能。

    Mar, 2021

  • 通过新视角合成和特征分离来进行领域自适应全脸注视估计

    本研究提出了一个训练数据合成和注视估计模型的有效训练流程，用于无监督域自适应，包括使用单幅图像 3D 重建来扩展源域中头部姿势的范围，提出了一个自编码器网络来分离与注视相关的特征，并引入背景增强一致性损失来利用合成源域的特点，在多个目标域上进一步提高了性能。

    May, 2023

  • 利用异常值引导的协同适应推广注视估计

    本文提出了一种插拔式注视适应框架（PnP-GA），它是一组网络，根据离群点的指导协作学习，并通过将现有注视估计网络直接插入到 PnP-GA 中来将算法推广到新领域，从而实现目标域中的注视估计。在四个注视领域适应任务中，实验证明了该框架相对于基线系统的性能提升 36.9％，31.6％，19.4％和 11.8％，同时也胜过当前领先的注视域适应方法。

    Jul, 2021

  • 通过嵌入预测一致性进行域自适应凝视估计

    本文提出一种无监督学习的方法，采用 embedding representation 及 prediction consistency 来消除 inter-personal diversity 对 gaze estimation 的影响，设计了 Domain Adaptation Gaze Estimation Network (DAGEN)，在 MPIIGaze 和 EYEDIAP 数据集上取得了最先进的结果。

    Nov, 2020

  • 非监督式注视点估计的表征学习

    该研究提出了一种不需要注释的低维注视表示学习方法，在少于 100 个标注样本的情况下，实现了有竞争力的 few-shot 注视估计结果，并且可以应用于不同的实验数据集和注视网络预训练等方向。

    Nov, 2019

  • 半监督对比回归用于眼球注视估计

    通过使用半监督对比学习框架，本文提出了一种新的对比损失范式，从而实现了基于注视方向的估计，该框架在使用少量带有标签的注视数据集时，可以找到泛化解决方案，即使对于未见过的人脸图像也能有良好的性能表现，与其他用于注视估计的最先进对比学习技术相比，我们的对比回归框架表现良好。

    Aug, 2023

  • 通过学习跨领域桥梁实现无监督领域泛化

    本文提出了一种新的无监督领域泛化方法，通过利用自监督学习的 Bridge Across Domains 辅助桥接，从多个训练领域学习语义保留的图像到图像映射，使得各个领域能够在语义上对齐，包括在多领域数据集上无监督泛化到看不见的领域和类别等多个任务方面都取得了显著进展。

    Dec, 2021

  • 一种轻量级的领域自适应绝对位姿回归器，使用巴洛双子目标

    提出了一种面向绝对姿态回归的领域自适应训练框架，基于生成方法实现场景图像的不同领域的数据增强，并在回归头中探究了空间和通道注意力对旋转预测的有效性。结果表明，该方法在效率和性能方面都优于基于 CNN 的架构，并可适用于不同领域。

    Nov, 2022

  • NormAUG：基于归一化指导的领域泛化增强

    通过数据增强和集成策略，提出一种名为 NormAUG 的简单而有效的方法来解决深度学习中由于领域转移而导致的性能下降问题，并在多个基准数据集上进行了广泛实验来验证其有效性。

    Jul, 2023

  • 学习在非受限环境下寻找眼部关键点以进行远程凝视估计

    本文提出了一种基于学习的方法来进行眼部标志点的定位，采用该方法能够在未受控制的真实环境下较之传统方法更具优势，在个性化视线估计场景中性能优越。

    May, 2018