論文：A Differential Approach for Gaze Estimation with Calibration
視覺估計Gaze Estimation：
根據人的圖片計算人眼睛的視角，估計人觀察的方向，應用，可以應用眼睛控制的遊戲
一般流程：攝像機可以用照片的方式得到人的面部圖片，由於人臉的方向不同，故先利用3D攝像機矯正人臉得到正面的人臉圖片，因此人的視線則變為上下左右四個方向，獲取人眼視角方向後，結合人的頭部方向，綜合可以得到人眼的最終視線方向。
挑戰：
由於人眼的大小不同，人臉的方向不同等等給視覺估計帶來很大的挑戰
方法：
根據人眼圖片計算絕對的視覺方向，會有很大誤差，因此，這篇文章選擇相對穩定的相對距離進行研究。
baseline:利用3層卷積層和2層全連接層，根據輸入圖片計算人眼視角gaze direction。
損失函數：L1
baseline缺點：
由於數據集中的人是一個個有特點的個體，具有自己的特色，而非同一個人的圖片，因此通過baseline網絡訓練的模型預測的結果和ground truth存在一個偏差，如下圖，擬合曲線和y=x之間總存在一個角度。
存在線性關係：
利用標定數據進行最小均方誤差(LMSE)優化，得到模型的線性參數，從而得到最終的優化後結果。
研究方法：
總體框架：不同個體之間的絕對視覺估計存在差異，但是相對距離比較穩定
（1）Siamese Network可以計算兩張圖片之間的Gaze difference，訓練時選取不同人的同一個眼睛的圖片，利用網絡預測兩者的視覺差異。
（2）測試時，將待估計的圖片與多張圖片計算視覺差異，從而根據相對值加差異值得到最終平均結果
Siamese Network
利用siamese network計算兩張圖片之間的視覺估計差異。
損失函數：
Gaze inference
利用校驗集的圖片，計算測試圖片與Dc張校驗圖片之間的gaze difference,根據已知的校驗圖片的視覺估計，計算圖片視覺估計真實值。
結果：
評估標準：值越小越好
結果：
閱讀更多 AI深度學習求索 的文章
