論文の概要: Dataset for eye-tracking tasks

• arxiv url: http://arxiv.org/abs/2106.07554v1
• Date: Tue, 1 Jun 2021 23:54:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-27 12:51:04.845410
• Title: Dataset for eye-tracking tasks
• Title（参考訳）: 視線追跡タスクのためのデータセット
• Authors: R. Ildar
• Abstract要約: 本稿では、視線追跡タスクのための畳み込みニューラルネットワークのカスタムモデルのトレーニングに適したデータセットを提案する。 このデータセットは1万枚の眼画像を416ピクセルから416ピクセルに拡張している。 この原稿は、視線追跡装置用のデータセットを作成するためのガイドとみなすことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In recent years many different deep neural networks were developed, but due to a large number of layers in deep networks, their training requires a long time and a large number of datasets. Today is popular to use trained deep neural networks for various tasks, even for simple ones in which such deep networks are not required. The well-known deep networks such as YoloV3, SSD, etc. are intended for tracking and monitoring various objects, therefore their weights are heavy and the overall accuracy for a specific task is low. Eye-tracking tasks need to detect only one object - an iris in a given area. Therefore, it is logical to use a neural network only for this task. But the problem is the lack of suitable datasets for training the model. In the manuscript, we presented a dataset that is suitable for training custom models of convolutional neural networks for eye-tracking tasks. Using data set data, each user can independently pre-train the convolutional neural network models for eye-tracking tasks. This dataset contains annotated 10,000 eye images in an extension of 416 by 416 pixels. The table with annotation information shows the coordinates and radius of the eye for each image. This manuscript can be considered as a guide for the preparation of datasets for eye-tracking devices
• Abstract（参考訳）: 近年、さまざまなディープニューラルネットワークが開発されているが、ディープネットワークの層が多すぎるため、トレーニングには長い時間と大量のデータセットが必要になる。 今日では、このようなディープネットワークを必要としない単純なタスクでも、さまざまなタスクにトレーニングされたディープニューラルネットワークを使用することが一般的です。 YoloV3やSSDなど、よく知られたディープネットワーク。 様々な物体の追跡と監視を目的としているため、重量は重く、特定のタスクの全体的な精度は低い。 視線追跡タスクは、特定の領域の虹彩の1つの物体のみを検出する必要がある。 したがって、このタスクにニューラルネットワークを使用するのは論理的である。 しかし問題は、モデルをトレーニングするのに適切なデータセットがないことだ。 本稿では,視覚追跡タスクのための畳み込みニューラルネットワークのカスタムモデルのトレーニングに適したデータセットを提案する。 データセットデータを使用することで、各ユーザは独立して、アイトラッキングタスクのための畳み込みニューラルネットワークモデルを事前トレーニングすることができる。 このデータセットには416×416ピクセルの拡張に注釈付き1万枚のアイイメージが含まれている。 注記情報付きテーブルは、各画像の視線の座標と半径を示している。 この写本は、視線追跡装置のためのデータセット作成のためのガイドとみなすことができる

関連論文リスト

• Diffused Redundancy in Pre-trained Representations [98.55546694886819]
  事前訓練された表現で機能がどのようにコード化されているか、より詳しく見ていきます。 与えられた層における学習された表現は拡散冗長性を示す。 我々の発見は、事前訓練されたディープニューラルネットワークによって学習された表現の性質に光を当てた。
  論文  参考訳（メタデータ） (2023-05-31T21:00:50Z)
• Dimensionality of datasets in object detection networks [0.5801044612920815]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおける多くのタスクで使用される。 そのうちの1つは、自律運転のための物体検出である。 我々のゴールは、拡張データセットのオブジェクト検出ネットワークの精度に及ぼす固有次元(つまり、データを表すのに必要なパラメータの最小値)の影響を決定することである。
  論文  参考訳（メタデータ） (2022-10-13T14:19:16Z)
• Backbones-Review: Feature Extraction Networks for Deep Learning and Deep Reinforcement Learning Approaches [3.255610188565679]
  CNNは、大規模なデータサイズに取り組むだけでなく、特定のタスクのさまざまなシナリオをカバーすることができる。 多くのネットワークが提案され、あらゆるAIタスクでDLモデルに使用される有名なネットワークとなっている。 バックボーンは、他の多くのタスクでトレーニングされた既知のネットワークであり、その効果を実証する。
  論文  参考訳（メタデータ） (2022-06-16T09:18:34Z)
• Using a Cross-Task Grid of Linear Probes to Interpret CNN Model Predictions On Retinal Images [3.5789352263336847]
  我々は、線形プローブを用いて網膜画像のデータセットを分析し、ある「ターゲット」タスクで訓練された線形回帰モデル、ある「ソース」タスクで訓練された深部畳み込み(CNN)モデルからの埋め込みを入力として分析する。 我々はこの手法を、UK Biobankの網膜画像データセットにおける93のタスクの可能な全てのペアリングに使用し、164kの異なるモデルに導いた。
  論文  参考訳（メタデータ） (2021-07-23T21:30:27Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• Predicting Neural Network Accuracy from Weights [25.73213712719546]
  トレーニングされたニューラルネットワークの精度は、その重みだけを見て驚くほど正確に予測できることを実験的に示す。 この分野のさらなる研究を促進するために、4つの異なるデータセットでトレーニングされた120kの畳み込みニューラルネットワークのコレクションをリリースする。
  論文  参考訳（メタデータ） (2020-02-26T13:06:14Z)
• Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
  様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。 古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。 また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
  論文  参考訳（メタデータ） (2020-02-19T11:04:49Z)
• Neural Data Server: A Large-Scale Search Engine for Transfer Learning Data [78.74367441804183]
  我々は,ターゲットドメインに最も有用な転送学習データを見つけるための大規模検索エンジンであるNeural Data Server (NDS)を紹介した。 NDSは、いくつかの人気のある画像データセットをインデックスするデータサーバで構成され、クライアントにデータを推奨することを目的としている。 我々は,NDSが様々な伝達学習シナリオにおいて有効であることを示し,複数のターゲットデータセットに対して最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-01-09T01:21:30Z)

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。