Djupa faltningsnätverk kan tränas till att uppskatta blickriktningar utifrån ögon-bilder. Sådana nätverk ger dock ingen information om hur pålitliga dess prediktioner är. Då osäkerhetsskattningar skulle möjliggöra mer exakta och robusta tillämpningar, har en metod för konfidensestimering undersökts i detta projekt.

Denna metod behövde vara beräkningsmässigt effektiv för att kunna följa en blickriktning i realtid, utan att reducera kvaliteten på blickriktningarna. Således valdes flera etablerade tillvägagångsätt bort till fördel för Medelvärdes- och Variansestimering, där ytterligare ett nätverk används för att estimera osäkerheter. Detta konfidensnätverk tränas baserat på hur bra blickriktningar det första nätverket, kallat prediktionsnätverket, genererar för olika ögonbilder. Två dataset användes för att utvärdera konfidensnätverket, inklusive effekten av olika sätt att designa det.

En viktig slutsats var att osäkerheten hos en predicerad blickriktning beror av fler faktorer än bara ögon-bildens utseende. Därför kommer aldrig ett konfidensnätverk med endast denna bild som indata att kunna modellera regressionsproblemet perfekt.

Trots detta visar resultaten att nätverket lär sig användbar information. Dess konfidensskattningar överträffar faktiskt de från en etablerad Monte Carlo-metod, där osäkerheten skattas utifrån spridningen av blickriktningar från en samling prediktionsnätverk.