Apr, 2015

TurkerGaze: 使用基于网络摄像头的眼动跟踪进行众包显著性研究

PDF
TL;DR本文介绍了一种基于网络摄像头的注视追踪系统，支持大规模的众包眼动追踪。该系统通过谨慎的算法和游戏协议设计，以相对较低的成本和研究人员的少量努力获得了与传统实验室设置相当的视觉显著性预测数据。使用该工具，作者建立了一个自然图像的显著性数据集，并提供了一个 Web 服务器，研究人员可以上传图像以从 AMTurk 获取眼动追踪结果。
发现论文，激发创造
  • TurkEyes: 一个基于 Web 的工具箱用于众包关注数据

    本文研究了一种基于网络的工具箱，通过 Crowdsourcing 更加便捷地采集视觉注意力数据，并比较了不同数据采集工具的使用情况。

    Jan, 2020

  • SalGaze: 使用视觉显著性个性化注视点估计

    提出 SalGaze，一种利用视觉内容中的显著性信息，无需显式用户校准，可透明地适应用户注视估计算法的框架，能够使用与标准点校准数据不同的显式视频显著性校准数据的统一框架，优于现有方法，精度提高了 24%。

    Oct, 2019

  • CAT2000：用于推动显著性研究的大规模注视数据集

    对当前显著性模型问题的深入洞察及更好的测量方法，如通过记录 120 个观察者在查看了包含 4000 幅图像的数据集时的眼动数据、分析数据集的基本特性、比较一些成功模型等，可帮助推进下一代显著性模型的研究，并有助于进行视觉注意力的行为研究。

    May, 2015

  • 基于视频的端到端眼动追踪技术

    提出了一种利用视频数据集和图像相结合的方法，通过学习用户注视与眼部外形之间的联系来提高眼动追踪的精度，实现基于网络摄像头的高准确度屏幕眼动追踪，不需要标记的数据并且通过视觉刺激和眼部图像信息融合可以达到监督式个性化的效果。

    Jul, 2020

  • Panonut360：用于全景视频的头部和眼球跟踪数据集

    通过开发头部和眼部跟踪数据集，本研究揭示了在多个用户和视频的实验设置中，眼球注视相对视野下方固定位置的一致偏移现象，从而挑战了视野中心位置的注视注意力按照高斯分布递减的广泛假设，并提供了根据给定头部或眼部坐标和预生成的视频注视分布图集生成注视分布的脚本。

    Mar, 2024

  • 半监督对比回归用于眼球注视估计

    通过使用半监督对比学习框架，本文提出了一种新的对比损失范式，从而实现了基于注视方向的估计，该框架在使用少量带有标签的注视数据集时，可以找到泛化解决方案，即使对于未见过的人脸图像也能有良好的性能表现，与其他用于注视估计的最先进对比学习技术相比，我们的对比回归框架表现良好。

    Aug, 2023

  • 眼中的行为：动态注视数据集和学习显著性模型用于视觉识别

    本研究使用人眼追踪数据结合计算机视觉，探究了视觉搜索模式的稳定性、计算机视觉的空间 - 时间兴趣点采样策略与人类注视策略之间的差异，证明人类注视可以被准确预测，且在使用先进计算机视觉实践建立端到端可训练的计算机视觉系统时表现优良。

    Dec, 2013

  • 面向所有人的眼动跟踪技术

    本文介绍了 GazeCapture 这一大规模数据集，使用这一数据集训练了基于卷积神经网络的眼动预测模型 iTracker，实现了在移动设备上的实时眼动追踪。该模型能够达到较高的预测准确率，并具有广泛的泛化性能。

    Jun, 2016

  • 实时网络摄像头注视追踪的高效性

    本文研究了凝视跟踪中的两种效率：计算效率和可用性效率，并评估了 CNN 网络的推断速度 / 准确性与屏幕校准的精度 / 烦琐程度之间的平衡，结果表明单眼输入和几何回归校准方法达到了最佳平衡。

    Sep, 2020

  • 基于 Transformer 的人类注视行为在视频中的预测模型

    基于眼动追踪数据的视频分析自动化是一个重要的任务。本文提出了一种基于转换器增强学习算法的模拟人类视线行为的新方法，通过观看视频并模拟人类注视行为，该方法能有效地复制人类注视行为并应用于实际任务。

    Apr, 2024