Amélioration de la généralisation des domaines sur l'estimation du regard via la régularisation auxiliaire Branch-out

Malgré des avancées remarquables, les techniques d'estimation du regard traditionnellement utilisées, en particulier les méthodes basées sur l'apparence, souffrent souvent d'une dégradation des performances dans des environnements non contrôlés en raison des variations d'illumination et des attributs faciaux individuels. Les stratégies d'adaptation de domaine existantes, limitées par leur besoin d'échantillons du domaine cible, peuvent être insuffisantes pour les applications dans le monde réel. Cette lettre présente la Régularisation Auxiliaire Branch-out (BAR), une méthode innovante conçue pour améliorer les capacités de généralisation de l'estimation du regard sans nécessiter un accès direct aux données du domaine cible. Plus précisément, le BAR intègre deux branches de régularisation de cohérence auxiliaires : l'une qui utilise des échantillons augmentés pour contrer les variations environnementales, et l'autre qui aligne les directions de regard avec des échantillons positifs du domaine source pour encourager l'apprentissage de caractéristiques de regard cohérentes. Ces voies auxiliaires renforcent le réseau principal et sont intégrées de manière fluide et plug-and-play, facilitant ainsi l'adaptation à divers autres modèles. Des évaluations expérimentales complètes sur quatre tâches inter-ensembles démontrent la supériorité de notre approche.