Apr, 2024

事件驱动视线追踪. AIS 2024 挑战调查

PDF
TL;DR这篇综述论文回顾了 AIS 2024 基于事件的眼动追踪（EET）挑战赛，该挑战聚焦于处理使用事件相机记录的眼动并预测眼睛的瞳孔中心，通过此挑战激励高效的眼动追踪与任务准确度和效率之间的权衡，同时回顾和分析了参赛者提交的挑战简报中的创新和多样化方法，以促进未来基于事件的眼动追踪研究的发展。
发现论文，激发创造
  • EEGEyeNet：一份同时包含脑电图和眼动数据的预测眼动的基准数据集

    本论文提出了一个新的数据集和基准，旨在推进大脑活动和眼动交叉领域的研究。使用该数据集，我们还提出了一个 EEG 测量下注视预测的基准，并对此进行了广泛的实验，为基础机器学习模型和大型神经网络提供了坚实的基础。

    Nov, 2021

  • 基于事件流的视觉目标跟踪：一个高分辨率基准数据集和一种新的基线模型

    通过多模态跟踪和知识蒸馏方法，在高分辨率事件信号下实现了高速低延迟的视觉跟踪的研究。

    Sep, 2023

  • 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

  • 一种基于事件相机的在线眼动跟踪的轻量级时空网络

    基于事件的数据在边缘计算环境中十分常见，我们提出了一种因果时空卷积网络，以实现与这些数据的接口和利用丰富的时态特征，并通过简单的架构和操作（卷积、ReLU 激活）及在线推断效率配置、通过规范化训练实现超过 90% 的激活稀疏度，从而在基于事件的处理器上实现极大的效率增益。此外，我们还提出了一种直接作用于事件的通用仿射增强策略，缓解了基于事件的系统中数据集稀缺的问题。我们将该模型应用于 AIS 2024 基于事件的视觉注视挑战，并在 Kaggle 私人测试集上达到了 0.9916 的 P10 准确率。

    Apr, 2024

  • 一种低功耗的神经形态学方法实现高效眼动跟踪

    本文介绍了一种用于眼动追踪的神经形态学方法，利用由 Dynamic Vision Sensor（DVS）摄像头捕获的纯事件数据。该方法结合了一个经过直接训练的脉冲神经网络回归模型，并利用了一种先进的低功耗边缘神经形态学处理器 Speck，旨在提高眼动追踪系统的精确度和效率。

    Dec, 2023

  • 与子流形稀疏 CNN 共同设计的亚毫秒延迟事件驱动眼动追踪系统

    基于眼动追踪技术和 FPGA 数据流加速器的稀疏卷积神经网络系统拥有优秀的性能度量指标。

    Apr, 2024

  • 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

  • 第八届 AI City 挑战赛

    第八届 AI 城市挑战赛聚焦计算机视觉和人工智能在零售、仓库和智能交通系统等领域的交叉应用，吸引了来自 47 个国家和地区 726 支团队的空前兴趣。其中包括多目标多摄像头人员跟踪和稠密视频字幕等关键研究方向。

    Apr, 2024

  • 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

  • 使用人工智能方法研究视觉分析器

    利用人工智能技术研究人眼的方法及应用，通过计算机视野和青光眼诊断来收集数据，利用软件工具分析图像，通过 Tobii Pro Glasses 3 设备和虚拟现实视频来研究眼球运动和焦点，使用数学建模研究眼瞳运动的相关性，为医学中的青光眼患者评估病程和恶化，以及研究注意力机制提供了研究方法。

    Apr, 2024