基于离群点引导的视线估计跨场景适配方法和装置与流程

技术特征：
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的协同学习模型的预测结果，g
k
表示所述协同学习模型组中的第k个协同学习模型的预测结果，μ表示所述平均协同模型组中的平均协同模型的预测结果的均值，σ表示所述平均协同模型组中的平均协同模型的预测结果的标准差，表示标准正态分布的分布函数在0处的值，即0.5，u1‑
∈
表示正态分布的1
‑
∈分位点，∈表示用于判断离群点的显著性水平，可以取0.05，l
og
(g
k
，μ，σ)表示所述离群点损失函数。6.根据权利要求5所述的方法，其中，所述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，包括：利用离群点损失函数和所述离群点，通过反向传播的方法，对所述协同学习模型组进行优化。7.一种基于离群点引导的视线估计跨场景适配装置，包括：预训练单元，被配置成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；确定单元，被配置成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；生成单元，被配置成基于目标图像、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；优化单元，被配置成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；视线估计单元，被配置成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。

技术总结
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。


技术研发人员：陆峰 刘云飞
受保护的技术使用者：北京航空航天大学
技术研发日：2021.06.22
技术公布日：2021/10/23