GazeHRNet: 頭部中心空間エンコーディングと視線認識特徴量相互作用による視線ターゲット検出

RGB画像ベースの視線ターゲット検出において、従来の画像座標や補助的な幾何学的入力に頼る手法とは異なり、頭部中心の極座標エンコーディングと頭部認識アテンションルーティングを用いて視線ターゲットを検出するフレームワーク「GazeHRNet」を提案する。この手法は、視線対象を頭部との関連で解釈し、方向、距離、頭部とシーンの依存関係を統一的にモデル化する。粗い空間推論と細かいアニソトロピックヒートマップ予測を組み合わせることで、雑然としたシーンや様々な頭部位置でも信頼性の高いターゲット局在化を可能にする。GazeFollowとVideoAttentionTargetの実験では、RGB入力のみで0.952および0.929のAUCを達成し、学習パラメータ数は3Mである。クロスデータセット評価でも、異なるシーンや被験者分布に対する堅牢性と汎化性能の向上が示された。