该篇论文提出了一种基于卷积神经网络的注意力编码器 - 解码器网络模型，用于迅速高效地对眼睛各部分进行分割，包括巩膜、虹膜、瞳孔和背景，取得了较好的结果。

Oct, 2019

本文介绍了 Pupil，这是一个可访问，价格实惠且可扩展的开源平台，用于移动眼动跟踪和凝视交互。通过高分辨率摄像头、实时的瞳孔检测跟踪、准确的注视估计等技术，Pupil 可以在短暂的 0.045 秒的处理时间内，提供平均 0.6 度的准确注视估计。

Apr, 2014

通过比较不同机器学习方法在眼部特征追踪中的表现，本研究客观评估了这些方法对最终注视估计质量的影响。

Mar, 2024

提出实时框架及卷积神经网络用于分类人眼凝视方向和评估眼部访问线索，并使用改进的 Viola-Jones 算法检测人脸，通过几何关系和面部特征点得到眼部区域，并进行逐帧测试以获得平均帧速率 24fps，结果显示其优于现有方法。

May, 2016

本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。

Oct, 2015

本研究提出了一种针对低分辨率可见光图像的虹膜中心定位问题的高效方法，使用几何特征和两阶段算法确定虹膜中心位置，并结合边界跟踪和椭圆拟合进行细化，该算法可在 BioID 和 Gi4E 等公共数据库上验证超越先进方法，即使使用低成本的消费级网络摄像头也可以实现注视跟踪。

May, 2016

介绍了一种专门设计用于单眼输入的注视估计任务的新型深度神经网络架构，通过回归中间图像表示来简化三维注视方向估计任务，定量和定性结果表明该方法比现有技术实现了更高的精度，且对视线、头部姿势和图像质量的变化具有鲁棒性。

Jul, 2018

通过采用扩张卷积来提取高分辨率特征，以改善眼睛图像在显著变化下的精确度，我们提出了 Dilated-Net 模型，它在两个 Gaze 估计数据集上都取得了最先进的结果，相比不使用扩张卷积的类似网络获得了显著提高（高达 20.8%）。

Mar, 2019

DeepFix 是一种全新的卷积神经网络，可用于准确地预测显著性图，并集成了多尺度语义和全局上下文，并通过引入 Location Biased 卷积层来解决空间不变性问题，其表现优越。

Oct, 2015

本文章旨在提出一种基于实时深度学习框架的视频面部表情捕获技术，能够从单目视频中密集地追踪演员的脸部运动，从而大大缩短现代叙事驱动的电子游戏或电影开发所需要的时间和劳动力。

Sep, 2016