El seguimiento ocular es una técnica importante para lograr una interacción segura y eficiente entre humanos y máquinas. Este estudio propone un sistema de seguimiento ocular basado en la cara que solo depende de una cámara web de bajo costo y no intrusiva, aprovechando un enfoque basado en datos. Para abordar el desafío de la implementación rápida en un nuevo escenario y reducir la carga de trabajo de la recolección de datos, este estudio propone un enfoque eficiente de aprendizaje por transferencia que incluye una nueva capa afín para cerrar la brecha entre el dominio de origen y el dominio de destino, mejorando así el rendimiento del aprendizaje por transferencia. Además, se introduce una técnica de calibración en este estudio para la optimización del rendimiento del modelo. Para verificar el enfoque propuesto, se llevan a cabo una serie de experimentos comparativos en una plataforma experimental diseñada para evaluar los efectos de varias estrategias de aprendizaje por transferencia, el módulo de capa afín propuesto y la técnica de calibración. Los resultados del experimento mostraron que la capa afín propuesta puede mejorar el rendimiento del modelo (sin calibración) y (con calibración), y que el enfoque propuesto puede lograr un rendimiento de vanguardia en comparación con los demás.