在一篇名为「FSA-Net：从单个图像学习头部姿态估计的细粒度结构聚合」的论文中，研究人员提出了一种基于回归以及特征聚合的从单个图像估计头部姿态的方法。研究团队采用软分段回归方案，在聚合之前学习用于空间分组特征的细粒度结构映射。细粒度结构提供基于部件的信息和池化值。通过在空间位置上利用可学习和不可学习的重要性，可以生成作为互补集合的不同变体模型。实验结果表明，该方法取得了目前最先进的成果，优于无地标的方法和基于地标或深度估计的方法。基于单个 RGB 帧作为输入，该方法甚至优于利用多模态信息（RGB-D，RGB-Time）估计偏航角的方法。除此之外，该模型的存储器开销比以前的方法小 100 倍。该论文已被 CVPR 2019 收录。