시선 추정은 가상현실, 증강현실 및 운전자 모니터링 시스템을 아우르는 다양한 응용 분야에서 점점 더 핵심적인 역할을 하고 있으며, 모바일 배치 환경을 위한 효율적이면서도 정확한 모델이 요구된다. 현재의 방법론은 종종 모바일 환경에서 특히 그 한계를 드러내는데, 이는 과도한 계산 요구량이 크거나 복잡한 전처리에 의존하기 때문이다. 이러한 제한을 해결하기 위해, 본 연구는 캡슐 네트워크의 강점을 활용하면서 MobileNet v2, MobileOne, ResNet-18과 같은 경량 아키텍처와 이를 통합하는 혁신적인 시선 추정 프레임워크 Mobile-GazeCapsNet을 제안한다. 이 프레임워크는 안면 랜드마크 탐지를 필요로 하지 않을 뿐 아니라, 모바일 기기에서의 실시간 동작성을 유의미하게 향상시킨다. Self-Attention Routing을 새롭게 활용함으로써 GazeCapsNet은 계산 자원을 동적으로 할당하여 정확성과 효율성을 모두 개선한다. 본 연구 결과에 따르면, GazeCapsNet은 Self-Attention Routing(SAR)을 통해 시선 추정을 위한 캡슐 네트워크를 최적화함으로써 기존 모델 대비 최대 15%의 MAE(평균 각도 오차) 감소를 달성하며, ETH-XGaze 및 Gaze360을 포함한 여러 벤치마크 데이터셋에서 경쟁력 있는 성능을 보인다. 또한 본 모델은 프레임당 20밀리초의 실시간 처리 능력을 유지하면서 1,170만 개의 파라미터만을 필요로 하여, 자원이 제한된 환경에서의 실시간 응용에 특히 적합하다. 이러한 결과는 Mobile-GazeCapsNet의 효율성과 실용성을 입증할 뿐 아니라, 모바일 시선 추정 기술에 대한 새로운 기준을 제시한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.