영상 특징의 관계
시선 추정은 눈 주변과 얼굴의 시각 정보를 바탕으로 방향을 예측한다. 트랜스포머의 자기 주의는 영상에서 얻은 특징 사이의 관계를 다루는 수단으로 사용된다.
두 구조의 비교
순수형은 ViT 방식에 따라 영상으로부터 시선을 추정한다. 혼합형은 합성곱 계층을 유지하면서 트랜스포머가 그 특징 처리를 보완하도록 구성한다.
결과를 읽는 조건
연구에서 혼합형은 비교한 순수형보다 적은 매개변수로 더 나은 평가 결과를 보였다. 이 결과를 모든 트랜스포머나 모든 촬영 환경에 그대로 적용할 수는 없으며 사전 학습 조건도 함께 봐야 한다.
구조 선택과 실제 사용
매개변수가 적다는 이유만으로 기기에서 더 빠르다고 단정할 수는 없다. 배포를 고려한다면 입력 해상도와 실행 환경을 고정하고 지연 시간과 시선 오차를 따로 측정해야 한다.