近年来,基于外观的注视估计取得了显著进展。然而,现有方法多以庞大的网络参数量为代价来提高精度,使得模型的开发部署成本昂贵。针对此问题,提出一种基于多级特征提炼的轻量化注视估计网络(Lightweight Network with Multi-level Featu...近年来,基于外观的注视估计取得了显著进展。然而,现有方法多以庞大的网络参数量为代价来提高精度,使得模型的开发部署成本昂贵。针对此问题,提出一种基于多级特征提炼的轻量化注视估计网络(Lightweight Network with Multi-level Feature Refining,LMLFR-Net)。其包含一种轻量级特征提取模块(SECA)和一种轻量级多级特征提炼模块(FRM)。SECA融合了挤压激励和协调注意力,以提高模型对特征的精化能力;FRM将主干网络的多级特征进行融合提炼,通过同时利用低层与高层特征,提升了模型对细节的捕获能力,在不显著增加参数量的同时,改善轻量级网络的估计精度。实验表明,所提出的网络在MPIIFaceGaze数据集上的估计精度相比FAR-Net提升了2.14%,参数量减少了85.35%,表现出了良好的轻量化性能。展开更多