基于离群点引导的视线估计跨场景适配方法和装置制造方法及图纸

本公开的实施例公开了基于离群点引导的视线估计跨场景适配方法和装置。该方法的一具体实施方式包括：基于给定的任意视线估计模型，在源域上进行预训练，得到协同学习模型组；确定协同学习模型组中的每个协同学习模型对应的平均协同模型，得到平均协同模型组；基于目标图像、该协同学习模型组和该平均协同模型组，生成该协同学习模型组对应的离群点；利用离群点损失函数和离群点，对协同学习模型组进行优化；利用优化后的协同学习模型组中的任意一个协同学习模型进行视线估计。该实施方式能够有效地稳定跨域适配过程，提高系统的可扩展性。性。性。

【技术实现步骤摘要】
基于离群点引导的视线估计跨场景适配方法和装置


[0001]本公开的实施例涉及计算机
，具体涉及基于离群点引导的视线估计跨场景适配方法和装置。

技术介绍

[0002]视线信息已在各种应用中得到利用，例如人机交互，虚拟增强现实游戏，智能座舱系统，医学分析等。随着深度学习技术的发展，基于外观的视线估计任务近来引起了很多关注。为了提高视线估计的性能，很多大型视线估计数据集已经被提出。为了减少实际应用中的跨域问题，基于对抗学习的方法应运而生。这些方法的核心思想是引入一个判别器来判别区分不同域的图像数据，进而使视线估计部分提取的特征更具有通用性。此外，伪标签法等基于自训练的方法也被提出用于解决跨域适配问题。这些方法使用模型自身的预测结果反过来优化模型参数，能够帮助模型提取与任务真正相关的特征。
[0003]然而，当采用上述方式进行视线估计时，经常会存在如下技术问题：
[0004]大型视线估计数据集的环境、背景和光照等条件不同，在单个数据集(源域)上训练的视线估计模型应用于新的目标域时，通常由于模型的泛化性能受限，导致方法的性能大大降低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于离群点引导的视线估计跨场景适配方法，包括：基于给定的任意视线估计模型，在源域上进行预训练，得到协同学习模型组；确定所述协同学习模型组中的每个协同学习模型对应的平均协同模型，得到平均协同模型组；基于目标图像、所述协同学习模型组和所述平均协同模型组，生成所述协同学习模型组对应的离群点；利用离群点损失函数和所述离群点，对所述协同学习模型组进行优化；利用优化后的协同学习模型组中的任意一个协同学习模型进行视线估计。2.根据权利要求1所述的方法，其中，所述协同学习模型组中的协同学习模型具有相同的卷积神经网络结构。3.根据权利要求2所述的方法，其中，所述确定所述协同学习模型组中的每个协同学习模型对应的平均协同模型，包括：利用指数移动平均的方式，确定所述协同学习模型组中的每个协同学习模型对应的平均协同模型。4.根据权利要求3所述的方法，其中，所述基于目标图像、所述协同学习模型组和所述平均协同模型组，生成所述协同学习模型组对应的离群点，包括：基于目标图像、所述协同学习模型组和所述平均协同模型组，生成协同学习模型组对应的预测结果和平均协同模型组对应的预测结果；基于所述平均协同模型组对应的预测结果，确定高斯分布；根据所述高斯分布，对所述协同学习模型组对应的预测结果进行离群预测，得到所述离群点。5.根据权利要求4所述的方法，其中，所述离群点损失函数的构造方式为：其中，γ表示权重因子，表示标准正态分布的分布函数，k表示序号，g表示所述协同学习模型组中...

【专利技术属性】
技术研发人员：陆峰，刘云飞，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：