IJCAIJun, 2024

ELF-UA: 有效的无标签用户自适应注视估计

PDF
TL;DR在用户自适应的 3D 凝视估计中，论文提出了一种无标签数据的高效自适应模型，仅使用少量目标用户的未标记图像进行模型适应，通过应用元学习方法和领域自适应的损失函数，实现了在凝视估计中对目标用户进行个性化适应的有效方法。
user-adaptive gaze estimationpersonalized gaze estimationlabel-free user adaptationmeta-learning approachdomain adaptation
发现论文，激发创造
  • 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

  • 弱监督的物理无约束凝视估计

    本研究针对自然场景下获取三维凝视注释的挑战进行了探讨，提出了一种基于 LAEO 标签的弱监督凝视估计算法，该算法通过训练算法和损失函数实现了可行的三维凝视监督，结果表明，这种方法对于半监督凝视估计的准确性和跨域泛化的改进方面取得了显着的进展。

    May, 2021

  • 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

  • 无监督模型个性化保护隐私和可扩展性：一个开放性问题

    本文研究了无监督模型个性化任务，提出了一个新的 Dual User-Adaptation 框架，通过服务器端模型个性化和用户设备上的本地数据正则化，实现了可伸缩性和本地数据隐私保护的用户自适应模型。

    Mar, 2020

  • 无源、仅图像的无监督领域适应用于类别水平的物体姿态估计

    3DUDA 是一种适应无关 3D 或深度数据的干扰严重的目标领域的方法，通过对物体的不变子组件进行策略性利用，迭代更新本地鲁棒的网格顶点特征并改进姿态估计准确度，以解决领域转移挑战。

    Jan, 2024

  • 通过注视重定向合成改进少样本用户特定注视适应

    本论文主要创新点是通过合成现有的参考样本的注视重定向眼图像来改进视线适应，并提出了一个自监督的方法进行域适应，利用视线重定向来提高特定个体视线估计的性能，通过对两个公共数据集的广泛实验证明了我们的视线重新定向和视线估计框架的有效性。

    Apr, 2019

  • 少样本自适应凝视估计

    本研究提出一种新的 Few-shot 自适应注视估计（FAZE）框架，其利用揭示式编码器 - 解码器架构和元学习的高度适应性目标估计器，针对少于等于 9 个样本学习人特定的注视网络，并能够通过 3 个样本实现良好表现。

    May, 2019

  • 眼神追踪估计模型分析

    探讨了利用机器学习技术进行眼部凝视估计的技术，论文中提出了在不受限制的场景下，通过使用眼部地标来预测凝视方向的方法，并讨论了采用合成数据进行眼部地标本地化训练的学习方法，并提出了使用该模型进行个性化凝视估计的方法。

    Jul, 2022

  • 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

  • 利用虚幻数据集的领域通用人员搜索

    基于域泛化框架的新型人物搜索方法，通过自动标注的虚拟数据集进行训练，适用于任意未见过的真实数据集，并采用人物实例的保真度估计来适应性地训练网络，并设计了域不变特征学习方案来抑制与域相关的特征，实验证明该方法在不需要任何先验知识和重训练负担的情况下，能够提供与现有人物搜索方法相媲美的性能。

    Mar, 2024