Feb, 2024

基于端到端机器学习眼动驱动的生物特征传输学习嵌入分析

PDF
TL;DR验证眼动生物识别系统中通过机器学习获得的嵌入式方法是否与传统生物识别中所观察到的时间持久性相似，并对输入数据的长度和质量对眼动生物识别的性能和嵌入式的稳定性进行了实验和评估。
temporal persistenceeye movement biometricsmachine learningembeddingsinput data
发现论文，激发创造
  • 深度眼动识别：利用眼部微小运动进行生物识别

    研究了基于眼动的生物识别中的非自愿微动，并提出了一种处理原始眼动信号的深度卷积网络的方法，相较于先前的工作，该网络误差率提高一个数量级，速度提升两个数量级，可以在几秒钟内准确地识别用户。

    Jun, 2019

  • 多数据集下基于眼动的用户识别的广泛研究

    本文介绍了一种基于眼动特征的生物识别身份验证方法，并针对多个数据集对其进行了广泛的用户身份识别研究。通过对刺激类型、IVT 参数等多方面的分析，发现选择最佳 IVT 参数、添加高阶导数特征和包含额外的眨眼识别器等三个方法对身份验证准确性的提高具有积极影响。

    Nov, 2021

  • 一种用于眼动生物特征的得分级融合方法

    本文提出了一种使用眼动模式进行生物识别的新框架，利用 fixations 和 saccades 提取特征，并使用 Gaussian Radial Basis Function Network 用于生物认证。使用文本阅读和屏幕上的随机点跟随等两种视觉刺激进行了测试，结果表明眼动模式是一种强大的生物证明模式，该算法已经在 BioEye 2015 数据库上进行了验证，并发现胜过其他所有方法。结合虹膜识别技术使用眼动动力学可能会导致一个牢固的防伪人员身份识别系统。

    Jan, 2016

  • EmMixformer: 混合变压器用于眼动识别

    眼动（EM）是一种新的高度安全的生物行为模态，在近年来引起了越来越多的关注。本文提出了一种名为 EmMixformer 的混合 Transformer，用于提取眼动识别的时域和频域信息，通过学习长时间依赖关系、短时间依赖关系和全局特征，可以提高识别准确性。实验结果表明，EmMixformer 在眼动数据集和两个公共眼动数据集上的性能优于现有技术。

    Jan, 2024

  • 一见之下的实体识别：利用眼动信息提高命名实体识别

    本文介绍通过利用三个带有注释的语料库记录的注视信息，使用注视嵌入来改善 NER 模型，用于识别命名实体，展示了借助眼动数据可以提高自然语言处理模型性能的好处

    Feb, 2019

  • 高度动态决策任务中的潜在注视信息

    本文阐述在当前数字化和逐渐普及的人工智能技术下，眼动技术在领域专家识别、不同领域的知识迁移以及混乱的时间检测等方面发挥了重要作用，并建立了数字诊断模型以及可能的数字助理培训选择。

    Feb, 2022

  • 深度学习在帕金森病眼动数据的时间序列分类中的应用

    通过使用眼动追踪数据，分析巴金森病诊断和分类的深度学习算法，研究发现通过用于准备阶段的短时间序列数据作为输入可实现疾病分类任务，结果表明这些数据具有较低的主体间变异性并携带关于大脑认知和运动状况的有用信息，有效用于机器学习发现与疾病相关的生物标志物。

    Nov, 2023

  • 评估潜在生物特征的时间持久性方法：应用于眼动和步态相关数据库

    本研究采用测试 - 重测评估方法，并使用 ICC 计算 10 个数据库中的生物特征的时序持久性，比较高 ICC 特征和低 ICC 特征以及所有特征集的生物特征表现，发现只选择高可靠性特征的生物特征表现优于所有特征集和低 ICC 特征，在时间保持、生物特征和基队模式匹配等领域有广阔的应用前景。

    Sep, 2016

  • 时间嵌入：基于时空数据的可扩展无监督时序表征学习，用于多模态计算机视觉

    地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

    Oct, 2023

  • G-MEMP：驾驶中基于注视增强的多模态自我运动预测

    我们研究了司机的决策过程对确保道路安全的重要性，通过利用司机的注视数据来推测司机自身的车辆行驶轨迹，提出了 G-MEMP 方法，利用 GPS、视频和注视数据进行多模态的自身车辆行驶轨迹预测，并通过提出的路径复杂度指数（PCI）来评估轨迹复杂性，在多个基准数据集上验证了该方法的有效性。

    Dec, 2023