基于子任务学习的双分支个性化视线估计网络

由于人与人之间在面部外观和眼球内部构造等方面存在差异，现有视线估计方法在处理个性化视线估计任务时会产生较大估计误差。针对视线估计任务中个性化信息处理难的问题，本文提出了一种基于子任务学习的双分支个性化视线估计网络（Episode-based Personalization Network, EbPN）。首先，该网络包含表观信息感知分支和个性化信息感知分支，以分别刻画用户丰富的表观信息以及个性化信息；其次，构造一系列子任务以替代独立样本对模型进行训练优化，其中各子任务均模仿了一个小样本视线估计任务。该模型充分获取了用户的表观信息及个性化信息，可有效减小个性化偏差，提高视线估计模型的精度，且在没有任何校准样本的情况下，仍然具有很好的泛化性能。在GazeCapture和MPIIGaze数据集上开展了大量实验来证明EbPN模型的有效性。