基于网络摄像头的瞳孔直径预测受益于图像放大
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
该篇论文提出了一种基于卷积神经网络的注意力编码器-解码器网络模型,用于迅速高效地对眼睛各部分进行分割,包括巩膜、虹膜、瞳孔和背景,取得了较好的结果。
Oct, 2019
超宽视野眼底图像在近视相关并发症的筛查、检测、预测和治疗中取代传统眼底图像,其更广阔的视野范围对高度近视眼非常有优势。球等效度(SE)广泛被用作主要的近视结果测量指标,而眼轴长度(AL)作为一个重要的视觉组成部分越来越受到关注,用于评估近视。我们提出了一种通过高阶张量生物标志物建立多变量反应回归模型的统计框架,用于双变量的回归分类和回归回归任务,具体来说,我们提出了一种通过高斯胞联提高卷积神经网络(CeCNN)框架,通过一个估计自启动卷积神经网络的参数得到两个反应之间的依赖性,并使用由背景CNN产生的胞联似然损失。我们验证了提出的CeCNN在添加了依赖信息到背景模型之后具有更好的预测准确性。这种建模和提出的CeCNN算法不仅适用于超宽视野情境,还可以与ResNet和LeNet等其他骨干网络一起有效地应用。
Nov, 2023
通过使用卷积上采样操作并增加内核大小而保持编码器不变,我们首次探索了上采样过程中上下文的重要性,并发现增大内核大小可以提高像素预测任务的稳定性,尤其在图像修复或图像分割任务中。
Nov, 2023
通过全面数据驱动的方法,本文提出了一种能够对虹膜图像进行合成的方法,能够表示不同瞳孔尺寸、非现有身份的虹膜图像,并在改变瞳孔尺寸时能够保持身份,相比于现有的线性和非线性虹膜变形模型,该方法在相似性和身份保持方面表现更好。
Dec, 2023
通过多模态数据分析和基于最先进的传感器技术(如眼动跟踪和面部行为编码系统)的数据验证,教育研究人员可以研究多方面的学习和问题解决过程,以及改善教育经验。本研究旨在调查两种连续传感器流(瞳孔直径作为认知负荷指标和基于深度学习的面部行为编码系统作为情绪激活指标)之间的相关性,并分析情绪激活和瞳孔直径数据之间的时间延迟。结果显示情绪激活和瞳孔直径数据之间存在负相关,相关性仅在高情绪激活阶段为负相关,而在中等或低情绪激活阶段存在正相关但不显著。未来研究应考虑情绪调节策略和情感价值。
Mar, 2024
通过深度学习技术,本论文介绍了一种基于边缘检测辅助标注的自动涙膜高度测量技术。该方法生成的标签较少受主观因素影响,并且比以前的标注方法更高效。使用Inceptionv3卷积神经网络作为图像质量评估模型,用于改善瞳孔和涙膜区域的分割,并结合Unet算法实现了自动瞳孔和涙膜分割,以定位瞳孔中心和计算涙膜高度。该算法能够自动筛选图像、分割瞳孔和涙膜区域,并自动测量涙膜高度,测量结果与手动测量结果具有较高的一致性,为临床医生在干眼病的诊断中提供重要支持。
Mar, 2024
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。
Jul, 2024
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