In der Mensch-Computer-Interaktion, Die Einschätzung der Kopfhaltung hat großen Einfluss
Anwendungsfunktionalität. Obwohl die Verwendung von Gesichtsorientierungspunkten wertvoll ist für
diesen Zweck, Bei bestehenden markenbasierten Methoden steht die Präzision im Vordergrund
Einfachheit und Modellgröße, Begrenzung ihrer Bereitstellung auf Edge-Geräten und in
rechenarme Umgebungen. Um diese Lücke zu schließen, we propose \textbf{Gruppiert
Aufmerksamkeits-Deep-Sets (JAHR)}, eine neuartige Architektur basierend auf dem Deep Set
Rahmen. Durch die Gruppierung von Orientierungspunkten in Regionen und den Einsatz kleiner Deep Set
Schichten, Wir reduzieren die Rechenkomplexität. Unser Mehrkopf-Aufmerksamkeitsmechanismus
extrahiert und kombiniert gruppenübergreifende Informationen, Das Ergebnis ist ein Modell
$7.5\times$ smaller and executes $25\times$ faster than the current lightest
hochmodernes Modell. Vor allem, Unsere Methode erzielt eine beeindruckende Reduzierung,
being $4321\times$ smaller than the best-performing model. Wir stellen Vanille vor
GADS und Hybrid-GADS (Wahrzeichen + RGB) und bewerten Sie unsere Modelle auf drei
Benchmark-Datensätze — AFLW2000, BIWI, und 300W-LP. Wir stellen uns unsere Architektur vor
als robuste Basis für ressourcenbeschränkte Methoden zur Schätzung der Kopfhaltung.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: