.png){kind=icon}
.png){kind=icon}
返回
Resource-efficient Gaze Estimation via Frequency-domain Multi-task Contrastive Learning
.png){kind=icon}
PRE
AI
DOI：10.1145/3736767.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
眼动估计对于许多科学领域和日常应用具有重要意义，其应用范围涵盖从认知心理学的基础研究到注意力感知系统。尽管深度学习的最新进展已催生出高精度的眼动估计系统，但这些方案通常伴随着高昂的计算成本，且依赖于大规模标注眼动数据进行监督学习，从而带来了显著的实践挑战。为突破这些限制，我们提出了EfficientGaze，这是一个用于眼动表示学习的资源高效框架。我们引入了频域眼动估计，该方法利用离散余弦变换的特征提取能力和频谱紧致特性，大幅降低了眼动估计系统在标定和推理阶段的计算成本。此外，为克服数据标注难题，我们设计了一种新颖的多任务眼动感知对比学习框架，以无监督方式学习跨受试者的通用眼动表示。我们在两个眼动估计数据集上的评估结果表明，EfficientGaze在实现与现有基于监督学习的方法相当的眼动估计性能的同时，分别实现了标定和眼动估计阶段最高达6.80倍和1.67倍的速度提升。
Keyword:
gaze estimation
deep learning
frequency-domain
multi-task learning
contrastive learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。