面向所有人的眼动跟踪技术
本文提出了一种基于智能手机的凝视追踪器的开源实现，利用机器学习技术实现了与专业设备相当准确度的眼动追踪解决方案，并通过复制之前的研究关于眼动行为和自然图像观察中显著性分析的关键发现，强调了智能手机凝视追踪在阅读理解挑战中的应用潜力，以及在视觉研究、无障碍增强和医疗应用等领域的益处。
Aug, 2023
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
本文对移动交互式系统中利用凝视作为单一或补充交互模式的最新技术和应用进行全面综述，并重点介绍了凝视捕捉传感器，凝视估计工作流，深度学习技术以及凝视交互应用等关键领域。
Jun, 2023
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
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
利用眼球追踪技术提取医学图像中有意义的特征和洞察力，以改进医疗诊断的方法。通过整合人类认知和人工智能发展，将眼球追踪数据与机器学习和深度学习方法相结合，提高医学图像分析的准确性和效率。该系统性综述研究着眼于探索通过眼球追踪应用和方法来增强医学图像分析中的机器学习和深度学习算法。
Mar, 2024
本研究提出一种新颖的自动眼动追踪方案，使用高斯过程回归模型对角膜位置与屏幕位置之间的连续映射进行建模，以消除了对显式标定步骤的需求，并自动对头戴显示器相对于头部的微小移动进行补偿，从而达到了与显式标定步骤几乎相同的准确性。
Dec, 2016
本研究提出一种新颖的针对混合现实环境的三维凝视追踪框架，旨在增强团队协作和共同注意力，通过利用计算机视觉和机器学习技术，实现精确的三维凝视估计，无需依赖专用硬件或复杂的数据融合，在组环境中追踪凝视模式，解决常见深度估计误差，保证数据集的空间和身份的一致性，实证结果展示了我们方法在群组环境中的准确性和可靠性，为在动态和非结构化环境中的教育和专业培训应用中的行为和互动分析提供了推动机制。
Jun, 2024
本文介绍了一种利用计算机视觉来增强移动眼动跟踪的影响的新方法，通过将面部检测器和移动眼动追踪相结合，计算了教师在教学过程中对每个学生的注意力焦点，以便在课堂互动的复杂性中识别出学生的相关需求，这是将计算机视觉和移动眼动跟踪结合起来对教师提出关注时的第一次工作。(Translation: This paper presents a novel method to enhance the impact of mobile eye tracking by connecting it with computer vision, calculating teachers’ attentional focus per student during a teaching unit, in order to recognize the relevant needs for learning in the complexity of classroom interaction. This is the first work to combine computer vision and mobile eye tracking to model teachers' attention while instructing.)
May, 2018