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
探讨了利用机器学习技术进行眼部凝视估计的技术,论文中提出了在不受限制的场景下,通过使用眼部地标来预测凝视方向的方法,并讨论了采用合成数据进行眼部地标本地化训练的学习方法,并提出了使用该模型进行个性化凝视估计的方法。
Jul, 2022
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
使用降维技术衡量目标眼睛图像和合成训练数据之间的重叠,并修剪训练数据集以最大化分布重叠,从而解决模拟和实际数据样本之间的差异,从而实现鲁棒的、改善的性能。
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
该论文介绍了一种基于几何的方法来解决现有的真实时间凝视估计系统所面临的挑战,利用普通消费级硬件生成准确、稳定的人脸和虹膜的三维地标,从而预测眼睛凝视方向,实现低计算资源要求下的高精度、实时的眼睛凝视估计。
Dec, 2023
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
本文基于深度学习方法综述了当前外貌为基础的凝视估计技术。介绍了数据预处理和后处理方法,将所有公开数据集进行了特征化,并设置了评估准则。本研究提供了参考,可供深度学习或未来凝视估计研究使用。
Apr, 2021
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
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