.png){kind=icon}
返回
Exploring Transfer Learning for Gaze Estimation: A Study on Model Adaptability
.png){kind=icon}
OA
AI
DOI：10.3390/app16094540.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了迁移学习在眼动估计中的应用，重点开发了针对个人用户的个性化模型。我们的方法涉及使用标准笔记本电脑网络摄像头收集眼动数据，旨在资源受限环境下有效运行，从而提高可及性和经济性。我们对使用迁移学习的模型与未使用预训练权重的模型进行了比较分析，考察了它们的收敛行为和对不同数据集大小的敏感性。分析包括眼部和面部图像，提供了模型适应性的全面视角。我们的发现表明，虽然两种方法总体结果相近，但迁移学习具有显著优势——特别是更快的收敛速度、降低的计算成本以及在数据有限时增强的稳定性。然而，结果也显示迁移学习并非普遍优越；对于面部图像，从头训练的模型实现了更低的平均误差，但表现出更高的变异性，而迁移学习确保了更一致的性能。这些见解表明迁移学习的益处取决于数据特征和任务复杂性。在最数据受限的设置（100张图像）下，迁移学习将左眼模型的平均误差降低了20.99像素，右眼模型降低了35.56像素；而对于面部图像，从头训练的模型在所有评估的数据集大小中均实现了更低的平均误差。总体而言，本研究强调了迁移学习在高效、可扩展眼动估计中的潜力，特别是在小数据环境中，并为迁移学习在实时应用（如人机交互（HCI）、辅助技术和个性化用户体验）中何时以及如何获得最大效益提供了实践指导。
Keyword:
gaze estimation
transfer learning
human-computer interaction
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
.png){kind=icon}
查看更多内容