Unsupervised Domain Adaption for Real-World Head Pose Estimation from Synthetic Data

Felix Konstantin Kuhnke

doi:10.51202/9783186883100

Zusammenfassung

Diese Disse tation beschäftigt sich mit der bildbasierten Kopfposenschätzung mittels Deep Learning und Lernen aus synthetischen Daten. Synthetische Daten bieten viele Vorteile gegenüber realen Daten, die aufwendig in der realen Welt gesammelt werden müssen. Allerdings erreicht Deep Learning mit synthetischen Daten oft nicht die Genauigkeit, die mit realen Daten erreicht werden könnte. Um dieses Problem zu lösen, werden in dieser Arbeit zwei Methoden zur unüberwachten Domänenadaption vorgestellt. Diese verbessern die Genauigkeit, die durch Training mit synthetischen Daten auf realen Daten erreicht werden kann, erheblich. Darüber hinaus wird in dieser Arbeit der Einfluss verschiedener Faktoren auf die Bewertung von Schätzalgorithmen für Kopfposen analysiert. Contents 1 introduction 1 1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Challenges in Domain Adaptation with Synthetic Data and Continuous Label Spaces . . . . . . . . . . . . . . . . . 4 1.3 Objectives and Contributions . . . . . . . . . . . . . . . . . 7 1.4 Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2 fundamentals 11 2.1 Machine Learning with Deep Neural Netw...

Schlagworte

Publikation durchsuchen

Bibliographische Angaben

Copyrightjahr: 2023
ISBN-Print: 978-3-18-388310-3
ISBN-Online: 978-3-18-688310-0
Verlag: VDI Verlag, Düsseldorf
Reihe: Informatik/ Kommunikation
Band: 883
Sprache: Deutsch
Seiten: 136
Produkttyp: Monographie

Inhaltsverzeichnis

KapitelSeiten

Titelei/Inhaltsverzeichnis Kein Zugriff Seiten I - XIV
1. Motivation Kein Zugriff
2. Challenges in Domain Adaptation with Synthetic Data and Continuous Label Spaces Kein Zugriff
3. Objectives and Contributions Kein Zugriff
4. Outline Kein Zugriff
1. Machine Learning with Deep Neural Networks Kein Zugriff
2. Transfer Learning Kein Zugriff
3. 1. Domain Gap and Negative Transfer Kein Zugriff
  2. Domain Adaptation Risks and Transfer Gain Kein Zugriff
4. Deep Visual Domain Adaptation Kein Zugriff
5. 1. Applications and Synthetic Data Kein Zugriff
  2. Head Pose Kein Zugriff
  3. State of the Art Kein Zugriff
1. Adversarial Domain Adaptation Kein Zugriff
2. 1. DANN for regression Kein Zugriff
  2. PADA-Like Kein Zugriff
  3. PADACO Kein Zugriff
3. Practical Implementation Kein Zugriff
4. Summary Kein Zugriff
1. Semi-Supervised Learning for Domain Adaptation Kein Zugriff
2. 1. Consistency Regularization Kein Zugriff
  2. Relative Pose Consistency Kein Zugriff
  3. Avoiding Degenerate Solutions Kein Zugriff
  4. Batch Normalization During Cross-Domain Training Kein Zugriff
3. Practical Implementation Kein Zugriff
4. Summary Kein Zugriff
1. Evaluation Protocols Kein Zugriff
2. 1. SynHead++, SynBiwi+, Biwi+ Kein Zugriff
  2. 300W-LP Kein Zugriff
  3. Dataset Distributions Kein Zugriff
3. 1. Influence of Face Detector Kein Zugriff
  2. Influence of Pose Representation Kein Zugriff
  3. Influence of Pose Offset Kein Zugriff
  4. Summary Kein Zugriff
4. 1. Experimental Details Kein Zugriff
  2. Experiments and Results Kein Zugriff
  3. Comparison Kein Zugriff
  4. Ablation Studies: Consistency Regularization Kein Zugriff
  5. Limitations and Methodology Criticism Kein Zugriff
Conclusion Kein Zugriff Seiten 99 - 102
a Appendix Kein Zugriff Seiten 103 - 103
Additional Tables Kein Zugriff Seiten 103 - 108
Additional Figures Kein Zugriff Seiten 109 - 110
Bibliography Kein Zugriff Seiten 111 - 128
Publications of felix konstantin kuhnke Kein Zugriff Seiten 129 - 136