論文の概要: Eye Gaze Estimation Model Analysis
- arxiv url: http://arxiv.org/abs/2207.14373v1
- Date: Thu, 28 Jul 2022 20:40:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 12:13:12.257257
- Title: Eye Gaze Estimation Model Analysis
- Title（参考訳）: 眼球運動推定モデル解析
- Authors: Aveena Kottwani, Ayush Kumar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.4366811507669124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore techniques for eye gaze estimation using machine learning. Eye
gaze estimation is a common problem for various behavior analysis and
human-computer interfaces. The purpose of this work is to discuss various model
types for eye gaze estimation and present the results from predicting gaze
direction using eye landmarks in unconstrained settings. In unconstrained
real-world settings, feature-based and model-based methods are outperformed by
recent appearance-based methods due to factors like illumination changes and
other visual artifacts. We discuss a learning-based method for eye region
landmark localization trained exclusively on synthetic data. We discuss how to
use detected landmarks as input to iterative model-fitting and lightweight
learning-based gaze estimation methods and how to use the model for
person-independent and personalized gaze estimations.
- Abstract（参考訳）: 機械学習を用いた視線推定手法について検討する。
視線推定は様々な行動分析やヒューマンコンピュータインタフェースにおいて一般的な問題である。
本研究の目的は,視線推定のための各種モデルについて検討し,非拘束環境における視線ランドマークを用いた視線方向予測の結果を示すことである。
制約のない現実の環境では、照明の変更やその他の視覚成果物などの要因により、機能ベースとモデルベースのメソッドが最近の外観ベースメソッドよりも優れている。
我々は、合成データにのみ訓練された目領域のランドマーク化のための学習に基づく手法について論じる。
検出されたランドマークを反復的モデル適合および軽量学習に基づく視線推定手法の入力として利用する方法と、そのモデルを個人に依存しないパーソナライズされた視線推定に利用する方法について検討する。
関連論文リスト
- Zero-Shot Object-Centric Representation Learning [72.43369950684057]
ゼロショット一般化のレンズによる現在の対象中心法について検討する。
8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。
多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
論文 参考訳（メタデータ） (2024-08-17T10:37:07Z) - Automatic Discovery of Visual Circuits [66.99553804855931]
本稿では,視覚モデルにおける視覚的概念の認識の基盤となる計算グラフのサブグラフを抽出するスケーラブルな手法について検討する。
提案手法は, モデル出力に因果的に影響を及ぼす回路を抽出し, これらの回路を編集することで, 敵攻撃から大きな事前学習モデルを守ることができることがわかった。
論文 参考訳（メタデータ） (2024-04-22T17:00:57Z) - 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) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳（メタデータ） (2023-01-05T22:10:16Z) - NeRF-Gaze: A Head-Eye Redirection Parametric Model for Gaze Estimation [37.977032771941715]
本稿では,ニューラルラジアンス場に基づく新しい頭部方向パラメトリックモデルを提案する。
我々のモデルは、顔と目を切り離して、別々のニューラルレンダリングを行うことができる。
顔、アイデンティティ、照明、視線方向の属性を別々に制御する目的を達成することができる。
論文 参考訳（メタデータ） (2022-12-30T13:52:28Z) - Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。
提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
論文 参考訳（メタデータ） (2022-08-24T14:59:28Z) - Bayesian Eye Tracking [63.21413628808946]
モデルに基づく視線追跡は、目の特徴検出エラーの影響を受けやすい。
モデルベースアイトラッキングのためのベイズフレームワークを提案する。
提案手法は,最先端のモデルベースおよび学習ベースの手法と比較して,一般化能力の大幅な向上を示す。
論文 参考訳（メタデータ） (2021-06-25T02:08:03Z) - Appearance-based Gaze Estimation With Deep Learning: A Review and Benchmark [14.306488668615883]
本稿では,ディープラーニングを用いた外見に基づく視線推定手法の体系的レビューを行う。
顔/目の検出,データ修正,2D/3D視線変換,視線原点変換など,データ前処理と後処理の方法を要約する。
論文 参考訳（メタデータ） (2021-04-26T15:53:03Z) - MLGaze: Machine Learning-Based Analysis of Gaze Error Patterns in
Consumer Eye Tracking Systems [0.0]
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。
論文 参考訳（メタデータ） (2020-05-07T23:07:02Z)
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。