論文の概要: MLGaze: Machine Learning-Based Analysis of Gaze Error Patterns in
Consumer Eye Tracking Systems
- arxiv url: http://arxiv.org/abs/2005.03795v1
- Date: Thu, 7 May 2020 23:07:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 23:16:55.163057
- Title: MLGaze: Machine Learning-Based Analysis of Gaze Error Patterns in
Consumer Eye Tracking Systems
- Title（参考訳）: MLGaze: 消費者の視線追跡システムにおける視線誤差パターンの機械学習による分析
- Authors: Anuradha Kar
- Abstract要約: 本研究では,市販眼球追跡装置が生成する視線誤差パターンを機械学習アルゴリズムを用いて検討した。
異なる誤差源が視線データ特性に与える影響は、視線検査やデータ統計によってほとんど区別できないが、機械学習モデルは、異なる誤差源の影響を特定し、これらの条件による視線エラーレベルの変動を予測することに成功している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analyzing the gaze accuracy characteristics of an eye tracker is a critical
task as its gaze data is frequently affected by non-ideal operating conditions
in various consumer eye tracking applications. In this study, gaze error
patterns produced by a commercial eye tracking device were studied with the
help of machine learning algorithms, such as classifiers and regression models.
Gaze data were collected from a group of participants under multiple conditions
that commonly affect eye trackers operating on desktop and handheld platforms.
These conditions (referred here as error sources) include user distance, head
pose, and eye-tracker pose variations, and the collected gaze data were used to
train the classifier and regression models. It was seen that while the impact
of the different error sources on gaze data characteristics were nearly
impossible to distinguish by visual inspection or from data statistics, machine
learning models were successful in identifying the impact of the different
error sources and predicting the variability in gaze error levels due to these
conditions. The objective of this study was to investigate the efficacy of
machine learning methods towards the detection and prediction of gaze error
patterns, which would enable an in-depth understanding of the data quality and
reliability of eye trackers under unconstrained operating conditions. Coding
resources for all the machine learning methods adopted in this study were
included in an open repository named MLGaze to allow researchers to replicate
the principles presented here using data from their own eye trackers.
- Abstract（参考訳）: 視線追跡アプリケーションの非理想的動作条件に頻繁に影響を受けるため,視線追跡装置の視線精度特性を分析することは重要な課題である。
本研究では,市販の視線追跡装置が生成する視線誤差パターンを,分類器や回帰モデルといった機械学習アルゴリズムの助けを借りて研究した。
視線データは複数の条件下で参加者のグループから収集され、デスクトップおよびハンドヘルドプラットフォームで動作するアイトラッカーに一般的に影響を及ぼした。
これらの条件(エラーソースとして参照)には、ユーザ距離、頭部ポーズ、アイトラッカーのポーズのバリエーションが含まれ、収集された視線データを分類器と回帰モデルのトレーニングに使用した。
視線データ特性に対する異なる誤差源の影響は,視覚検査やデータ統計と区別することはほぼ不可能であったものの,異なる誤差源の影響を識別し,これらの条件による視線誤差レベルの変動を予測できる機械学習モデルが成功した。
本研究の目的は,アイトラッカーの操作条件下でのデータ品質と信頼性を深く理解することを可能にするため,視線誤りパターンの検出と予測への機械学習手法の有効性を検討することである。
この研究で採用されたすべての機械学習メソッドのコーディングリソースは、MLGazeという名前のオープンリポジトリに含まれており、研究者が自身のアイトラッカーのデータを使って、ここで提示された原則を再現することができる。
関連論文リスト
- Gazing Into Missteps: Leveraging Eye-Gaze for Unsupervised Mistake Detection in Egocentric Videos of Skilled Human Activities [25.049754180292034]
我々は、視線信号の解析を通して、自我中心ビデオにおける教師なし誤り検出の課題に対処する。
眼球運動が被写体操作活動に密接に従うという観察に基づいて,視線信号が誤検出をどの程度支援できるかを評価する。
予測された視線軌道と観測された視線軌道の矛盾は、誤りを特定する指標として機能する。
論文 参考訳（メタデータ） (2024-06-12T16:29:45Z) - Using Deep Learning to Increase Eye-Tracking Robustness, Accuracy, and Precision in Virtual Reality [2.2639735235640015]
この研究は、目の特徴追跡のための現代の機械学習(ML)に基づくいくつかの手法の影響を客観的に評価する。
メトリックには、視線推定の精度と精度、およびドロップアウト率が含まれる。
論文 参考訳（メタデータ） (2024-03-28T18:43:25Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - GraphGuard: Detecting and Counteracting Training Data Misuse in Graph
Neural Networks [69.97213941893351]
グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。
既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。
本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
論文 参考訳（メタデータ） (2023-12-13T02:59:37Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳（メタデータ） (2022-09-20T15:18:13Z) - Eye Gaze Estimation Model Analysis [2.4366811507669124]
本稿では、視線推定のための様々なモデルタイプについて論じ、非拘束環境における目印を用いた視線方向の予測結果を示す。
制約のない実世界の環境では、照明変更やその他の視覚的アーティファクトなどの要因により、最近の外観ベースの手法により、機能ベースの手法とモデルベースの手法が優れています。
論文 参考訳（メタデータ） (2022-07-28T20:40:03Z) - Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。
本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
論文 参考訳（メタデータ） (2022-01-13T18:20:32Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳（メタデータ） (2021-11-25T03:53:43Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Out-Of-Bag Anomaly Detection [0.9449650062296822]
データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。
本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。
本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-09-20T06:01:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。