以下是该文档的关键内容：
该论文提出了一种使用异构卷积神经网络（CNN）模型的精确眼睛瞳孔定位算法。这种算法可以抵抗光照、图像分辨率和眼镜佩戴等干扰条件，同时具有高准确性。该算法由两部分组成：一是找到近似眼睛区域，二是通过提取每个眼睛区域的语义特征来找到瞳孔位置。该论文还介绍了所提出算法的实验结果，并做出了结论和贡献。这种算法在虚拟现实和增强现实等各种计算机视觉应用中具有重要意义。
可以参考下面的提问方式：
1. 该论文提出的算法是如何工作的？
2. 这种算法在抵抗光照、图像分辨率和眼镜佩戴等干扰条件时表现如何？
3. 该算法在虚拟现实和增强现实等各种计算机视觉应用中的意义是什么？
准确地说，文章“ACCURATE EYE PUPIL LOCALIZATION USING HETEROGENEOUS CNN MODELS”介绍了使用异构卷积神经网络（CNN）模型进行精确的眼球定位的方法。
该文章的第一作者为Jun Ho Choi，Kang Il Lee，Young Chan Kim和Byung Cheol Song，他们来自韩国仁荷大学电子工程系和三星显示有限公司的显示研究中心。
文章中提出了一种新的眼球定位算法，这种算法可以抵抗光照、图像分辨率以及眼镜佩戴等干扰条件，并具有高精度。该算法使用异构CNN模型，先对眼部区域进行分类和定位，然后通过提取每个眼部区域的语义特征来确定瞳孔位置。
眼球定位是计算机视觉应用中不可或缺的一项技术，如虚拟现实和增强现实等。然而，它的性能不仅受到光照和图像分辨率的影响，还受到眼镜佩戴等干扰因素的影响。因此，研究出一种能够抵抗这些干扰因素并具有高精度的眼球定位算法是十分必要的。
异构CNN模型的使用为解决这个问题提供了一种新的可能性。通过使用不同的CNN模型对眼部区域进行分类和定位，以及从每个眼部区域中提取语义特征，可以更准确地确定瞳孔位置。这种方法可以在各种光照条件下，以及不同的图像分辨率下，甚至在佩戴眼镜的情况下，都能实现准确的眼球定位。
总的来说，这篇文章提出了一种新颖且实用的眼球定位算法，对于计算机视觉应用的发展具有重要意义。