حول قوة زيادة البيانات لتقدير وضعية الرأس

حققت تقنيات التعلم العميق نجاحًا ملحوظًا في العقد الأخير في التنبؤ بوضعية الرأس البشري من الصور الأحادية العين. ومع ذلك، فإن المجتمع البحثي يعتمد بشكل أساسي على مجموعة تدريب واحدة ذات طبيعة شبه صناعية، وهي 300W-LP، لمعالجة المدخلات الحقيقية دون وجود بدائل كثيرة. تركز هذه الورقة على توسيع وتحسين البيانات تدريجيًا لاستكشاف الأداء الذي يمكن تحقيقه باستخدام استراتيجيات التعزيز والتصنيع (augmentation and synthesis). من الناحية النموذجية، تم اقتراح تصميم متعدد المهام جديد للرأس/خسارة (head/loss) يتضمن تقدير عدم اليقين. بشكل عام، تكون النماذج التي يتم الحصول عليها بهذه الطريقة صغيرة وكفؤة، ومناسبة لتقدير وضعية الرأس الكاملة بست درجات من الحرية (6 DoF)، وتظهر دقة تنافسية للغاية.