論文の概要: 1000 Pupil Segmentations in a Second using Haar Like Features and Statistical Learning

• arxiv url: http://arxiv.org/abs/2102.01921v1
• Date: Wed, 3 Feb 2021 07:45:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 17:17:39.625448
• Title: 1000 Pupil Segmentations in a Second using Haar Like Features and Statistical Learning
• Title（参考訳）: haar様特徴と統計的学習を用いた1秒1000個の瞳孔分割
• Authors: Wolfgang Fuhl
• Abstract要約: 瞳孔分割のための新しいアプローチを提案する。非常に効率的に計算し、訓練することができる。 この手法はBOREアルゴリズムとCBFアルゴリズムにインスパイアされ、Haar機能によるバイナリ比較を一般化する。
• 参考スコア（独自算出の注目度）: 3.962145079528281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we present a new approach for pupil segmentation. It can be computed and trained very efficiently, making it ideal for online use for high speed eye trackers as well as for energy saving pupil detection in mobile eye tracking. The approach is inspired by the BORE and CBF algorithms and generalizes the binary comparison by Haar features. Since these features are intrinsically very susceptible to noise and fluctuating light conditions, we combine them with conditional pupil shape probabilities. In addition, we also rank each feature according to its importance in determining the pupil shape. Another advantage of our method is the use of statistical learning, which is very efficient and can even be used online. https://atreus.informatik.uni-tuebingen.de/seafile/d/8e2ab8c3fdd444e1a135/?p=%2FStatsPupil&mode=list
• Abstract（参考訳）: 本稿では,瞳孔分割に対する新しいアプローチを提案する。 これは非常に効率的に計算・訓練することができ、高速アイトラッカーのオンライン利用や、モバイルアイトラッキングにおける瞳孔検出の省エネに最適である。 この手法はBOREアルゴリズムとCBFアルゴリズムにインスパイアされ、Haar機能によるバイナリ比較を一般化する。 これらの特徴は内在的にノイズやゆらぎのある光条件に非常に敏感であるため、条件付き瞳孔形状の確率と組み合わせる。 また,各特徴を,瞳孔形状決定における重要度に応じてランク付けする。 この方法のもう1つの利点は、非常に効率的でオンラインでも利用できる統計学習の利用である。 https://atreus.informatik.uni-tuebingen.de/seafile/d/8e2ab8c3fdd444e1a135/?p=%2FStatsPupil&mode=list

関連論文リスト

• EyeTrAES: Fine-grained, Low-Latency Eye Tracking via Adaptive Event Slicing [2.9795443606634917]
  EyeTrAESは、自然眼球運動の高忠実度追跡のためのニューロモルフィックイベントカメラを用いた新しいアプローチである。 その結果,EyeTrAESの瞳孔追跡精度は6+%向上し,IoU=92%,IoU=32%向上した。 頑健なユーザ認証のために,短期瞳孔運動学の特徴ベクトルを用いて,ユーザ当たりの軽量なランダムフォレスト分類器を訓練する。
  論文  参考訳（メタデータ） (2024-09-27T15:06:05Z)
• When Does Visual Prompting Outperform Linear Probing for Vision-Language Models? A Likelihood Perspective [57.05315507519704]
  本稿では,視覚的プロンプトと線形探索の利点を比較分析するために,ログ類似率(LLR)アプローチを提案する。 本測定は,最大で100倍の時間短縮が可能であり,予測精度は最大91%に達する。
  論文  参考訳（メタデータ） (2024-09-03T12:03:45Z)
• BEBLID: Boosted efficient binary local image descriptor [2.8538628855541397]
  本稿では,効率の良いバイナリ画像記述子であるBEBLIDを紹介する。 以前の実数値ディスクリプタであるBELIDを改善して,マッチングと精度の向上を実現しています。 実験では BEBLID は SIFT に近い精度で ORB よりも計算効率が良い。
  論文  参考訳（メタデータ） (2024-02-07T00:14:32Z)
• Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
  公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。 モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある 本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:51:10Z)
• HappyFeat -- An interactive and efficient BCI framework for clinical applications [1.0695468735073714]
  本稿では,Motor Imagery(MI)ベースのBCI実験を容易にするソフトウェアであるHappyFeatを紹介する。 結果として得られるワークフローは、ベストな機能を選択して、優れたBCIパフォーマンスを達成するのに役立ちます。 HappyFeatはオープンソースプロジェクトとして利用可能で、GitHubから無料でダウンロードできる。
  論文  参考訳（メタデータ） (2023-10-04T16:36:32Z)
• Improving Knowledge Distillation via Regularizing Feature Norm and Direction [16.98806338782858]
  知識蒸留(KD)は、大きな訓練されたモデル(例えば教師)を利用して、同じタスクのために同じデータセット上で小さな学生モデルを訓練する。 教師の特徴を知識として扱うこと、知識蒸留訓練の学生は、その特徴を教師の特徴と整合させることによって、例えば、ロジット間のKL偏差を最小化し、中間特徴間のL2距離を最小化する。 教師に対する生徒の特徴の整合性の向上は教師の知識をよりよく蒸留すると考えるのは自然なことだが、単にこの整合性を強制することは生徒のパフォーマンスに直接寄与しない。
  論文  参考訳（メタデータ） (2023-05-26T15:05:19Z)
• A temporally quantized distribution of pupil diameters as a new feature for cognitive load classification [1.4469849628263638]
  本稿では,瞳孔情報に基づいて認知負荷を分類する新機能を提案する。 瞳孔データから認知負荷を決定する応用は多数あり、燃え尽き症候群の予報システムにつながる可能性がある。
  論文  参考訳（メタデータ） (2023-03-03T07:52:16Z)
• Kinship Verification Based on Cross-Generation Feature Interaction Learning [53.62256887837659]
  顔画像からの血縁検証は、コンピュータビジョンの応用において、新しいが挑戦的な技術として認識されている。 本稿では,頑健な親族関係検証のためのクロスジェネレーション・インタラクション・ラーニング(CFIL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-07T01:50:50Z)
• Natural Statistics of Network Activations and Implications for Knowledge Distillation [95.15239893744791]
  様々な層におけるディープニューラルネットワーク活性化の自然統計について検討する。 解析的にも経験的にも、この電力法則の指数が深いほど線形速度で増加することが示される。 我々は知識蒸留(KD)を行う方法を提案する。
  論文  参考訳（メタデータ） (2021-06-01T10:18:30Z)
• The Connection Between Approximation, Depth Separation and Learnability in Neural Networks [70.55686685872008]
  学習可能性と近似能力の関係について検討する。 対象関数の深いネットワークでの学習性は、より単純なクラスがターゲットを近似する能力に依存することを示す。
  論文  参考訳（メタデータ） (2021-01-31T11:32:30Z)
• Learning Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
  本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。 シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。 修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T17:59:35Z)

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。