Jul, 2024

EyeDentify: 基于网络摄像头图像的瞳孔直径估计数据集

HTML
PDF
TL;DR通过对网络摄像头图像进行数据集抗用设计，本研究介绍了EyeDentify，该数据集专门用于瞳孔直径估计。EyeDentify解决了瞳孔直径估计领域缺乏可用数据集的问题，该领域在理解传统上由Tobii等高度专门化传感器系统所主导的生理和心理状态上至关重要。与这些高级传感器系统及其相关成本不同，网络摄像头图像在实践中更为常见。然而，使用标准网络摄像头数据进行瞳孔直径估计的深度学习模型却很少。通过提供裁剪后的眼部图像与相应的瞳孔直径信息的数据集，EyeDentify使得专门为不太设备齐全的环境设计和优化的模型的开发变得可能，使瞳孔直径估计更具可行性和广泛适用性，并进而有助于多个领域对人类活动的理解和支持医疗保健。我们的数据集可以在此https网址上获得。
发现论文，激发创造
  • Pupil: 一种开放源代码的平台，用于普遍的眼动跟踪和基于移动设备的凝视交互

    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

  • PupilNet：用于稳健瞳孔检测的卷积神经网络

    本文对快速光照变化、瞳孔遮挡、非中心和偏轴眼睛记录以及生理学眼睛特征等复杂情况下的自动瞳孔检测进行了研究，提出了基于双卷积神经网络的方法，能够提高瞳孔检测的准确率。

    Jan, 2016

  • MPIIGaze: 实际场景数据集与深度外貌取向估计

    我们提出了MPIIGaze，包括213659个人的实验数据，并对现有的三个数据集进行了广泛的评估，研究了目标视线范围、光照条件和面部外观变化等关键挑战，提出了第一种深度外观估计方法GazeNet，并将平均误差从13.9度提高到10.8度，这是当前技术水平的改进。

    Nov, 2017

  • 学习在非受限环境下寻找眼部关键点以进行远程凝视估计

    本文提出了一种基于学习的方法来进行眼部标志点的定位，采用该方法能够在未受控制的真实环境下较之传统方法更具优势，在个性化视线估计场景中性能优越。

    May, 2018

  • 使用扩张卷积进行基于外观的凝视估计

    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

  • OpenEDS: 开放眼睛数据集

    本文介绍了一个大规模的眼镜数据集OpenEDS，该数据集利用虚拟现实（VR）头戴式显示器捕获图像，其中包括152名参与者的眼部区域，该数据集可用于眼动跟踪研究和机器学习领域的语义分割任务。

    Apr, 2019

  • NITEC：自拍视觉互动的多功能手动标注眼神接触数据集

    眼神接触是非常重要的非语言互动形式，在我们日常社交生活中起着重要作用。我们解决了机器捕捉人的眼神注视的挑战，给出了NITEC这一手动注释的自我视觉互动眼神接触数据集。我们的广泛评估结果表明，NITEC在不同场景中具有强大的交叉数据集性能，强调了它在计算机视觉、人机交互和社交机器人领域中的有效性和适应性。我们公开提供NITEC数据集以促进该领域的可复制性和进一步探索。

    Nov, 2023

  • DeepMetricEye: 周边眼深度虚拟现实成像的度量估计

    虚拟现实头戴设备往往导致用户出现不良影响，如数字视疲劳、干眼症以及潜在的长期视力损害。为了解决测量问题，本研究提出了一种基于U-Net 3+深度学习模型的轻量级框架，可以估计可测量的眼周深度图。该方法适用于任何配备有面向眼部的单眼摄像头的VR头戴设备，可以重建三维眼周区域，为相关光刺激计算协议和医疗指南提供度量基础。通过使用UE MetaHuman创建的动态眼周数据生成环境，我们合成了数千个训练图像。在36名参与者的样本上评估了我们的方法，在眼周全局精度评估实验和瞳孔直径测量方面表现出显著的效果。

    Nov, 2023

  • 基于网络摄像头的瞳孔直径预测受益于图像放大

    本研究解决了低分辨率眼睛数据集导致的瞳孔直径测量不准确的问题。通过比较多种放大方法的效果，我们发现训练于放大数据集的模型对放大方法的选择和比例高度敏感，且放大技术的使用显著提升了预测精度。这为心理和生理研究提供了更准确的评估方法。

    Aug, 2024

  • CondSeg：通过条件分割进行瞳孔和虹膜的椭圆估计

    本研究解决了眼部组件解析（瞳孔、虹膜和巩膜）在AR/VR产品中眼动追踪与注视估计中的重要性。提出了一种新颖的方法CondSeg，通过分割标签直接估计瞳孔/虹膜的椭圆参数，且无需明确标注全椭圆，同时利用眼区掩码控制估计效果的可见性。实验结果表明，该方法在分割指标上具有竞争力，并为眼动追踪提供了准确的椭圆参数。

    Aug, 2024