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

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...