| # Nhật ký Thử nghiệm Bóc tách (Ablation Studies Log) |
|
|
| Tài liệu này ghi lại các thay đổi quan trọng về thuật toán và kiến trúc nhằm tối ưu hóa model LIPE V2 đạt mục tiêu MAE < 4.2°. |
|
|
| ## 1. Thử nghiệm Focal Gaze Loss (04/06/2026) |
|
|
| ### Vấn đề (Problem) |
| Trong cấu hình Golden Standard 16x16 (MPIIGaze only), một số đối tượng (p03, p08) có sai số cao đột biến (> 6.0°), làm kéo giảm độ chính xác trung bình của toàn hệ thống trước khi thực hiện Domain Adaptation. |
|
|
| ### Giả thuyết (Hypothesis) |
| Việc cào bằng trọng số Loss khiến model ưu tiên các mẫu dễ (Easy examples) để giảm tổng Loss nhanh nhất, vô tình bỏ qua các đặc trưng khó của p03/p08. |
|
|
| ### Giải pháp (Method: Focal Regression) |
| Thay thế hàm Loss truyền thống bằng **Weighted Gaze Loss** (Áp dụng trong `src/train.py`): |
| * **Ngưỡng ($\tau$):** 4.2° (Mục tiêu dự án). |
| * **Hệ số phạt ($\gamma$):** 1.5. |
| * **Cơ chế:** Nhân 1.5 lần trọng số Loss cho mọi mẫu có sai số tức thời $\ge 4.2^\circ$. |
|
|
| ### Kết quả Thử nghiệm (Results - MPIIGaze) |
|
|
| | Đối tượng | Baseline (Gold 16x16) | Sau Focal Loss | Cải thiện | Trạng thái | |
| | :--- | :---: | :---: | :---: | :--- | |
| | **p03** | 6.0843° | 5.7795° | -0.3048° | **Thành công** | |
| | **p08** | 6.2472° | -- | -- | Chờ | |
|
|
| --- |
|
|
| ## 2. Các thử nghiệm dự kiến (Future Pipeline) |
| * **Study A-2:** Tích hợp Micro-MoE (Mixture of Experts) cho Regression Head. |
| * **Study A-3:** Tối ưu hóa Dynamic Blending Factor cho State B. |
|
|
| --- |
| *Cập nhật lần cuối: 04/06/2026 bởi Huy & Gemini.* |
|
|
