文档名：基于眼动信号的感兴趣检测方法研究
摘要：为了使机器智能达到人类的识别能力,需要提供标注的难例样本.常用的键盘、鼠标等标注方式效率较低,基于眼动信号的标注方式无需手动操作,但目前研究多采用依赖特征工程的浅层模型实现感兴趣检测以标注样本.针对浅层模型存在的问题,基于特征通道权重重分配多尺度残差网络模型对注视序列分类以实现感兴趣检测,并通过对比实验验证本文方法的有效性.实验结果表明:提出的多尺度残差网络模型分类精度达到96%,较现有基于浅层模型的方法和未改进的基于深层模型的方法,显著提升了感兴趣检测的精度和鲁棒性.
Abstract：Inordertomakethemachineintelligencereachhuman'sidentificationcapabilities,thereisaneedtoprovidealabeledsamplewhichishardtoidentify.Efficiencyofcommonlyusedmethodssuchaskeyboard,mouse,andsoon,arelow.Thelabelingmethodbasedoneyemovementsignalisnotrequiredtooperatemanually,butcurrentstudiesmostlyadoptshallowlayermodelswithdependentcharacteristicprojectstoachieveinterestdetectiontolabelsamples.Aimingattheproblemofshallow-layermodel,gazesequencesisclassifiedtoachieveinteresteddetectionbasedonfeaturechannelweightredistributionmulti-scaleresidualnetworkmodel.Effectivenessofthismethodisverifiedbycomparativeexperiments.Experimentalresultsshowthatclassificationprecisionoftheproposedmulti-scaleresidualnetworkmodelreaches96%,comparedwithexistingshallowlayermodel-basedmethodsandnon-modifiedmethodsbasedondeeplayermodel,theprecisionandrobustnessofinteresteddetectionaresignificantlyimproved.
作者：王新志 曾洪 张华宇 宋爱国Author：WANGXinzhi ZENGHong ZHANGHuayu SONGAiguo
作者单位：东南大学仪器科学与工程学院,江苏南京210096
刊名：传感器与微系统
Journal：TransducerandMicrosystemTechnologies
年，卷(期)：2024, 43(3)
分类号：TP391.4TP183
关键词：视线追踪 眼动事件检测 时间序列分类 多尺度残差网络 感兴趣检测
Keywords：gazetracking eyemovementeventdetection timeseriesclassification multi-scaleresidualnetwork detectionofinterest
机标分类号：TP391.41TS207.3S852.65
在线出版日期：2024年3月29日
基金项目：国家自然科学基金基于眼动信号的感兴趣检测方法研究[
期刊论文] 传感器与微系统--2024, 43(3)王新志 曾洪 张华宇 宋爱国为了使机器智能达到人类的识别能力,需要提供标注的难例样本.常用的键盘、鼠标等标注方式效率较低,基于眼动信号的标注方式无需手动操作,但目前研究多采用依赖特征工程的浅层模型实现感兴趣检测以标注样本.针对浅层模型存...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于眼动信号的感兴趣检测方法研究 Research on interest detection method based on eye movement signal
基于眼动信号的感兴趣检测方法研究.pdf
- 文件大小:
- 406.95 KB
- 下载次数:
- 60
-
高速下载
|
