基于智能手机的眼动追踪系统:边缘智能与模型优化
原文中文,约300字,阅读约需1分钟。发表于: 。本研究关注当前智能手机眼动追踪算法在视频类型视觉刺激下的低准确性问题。通过结合卷积神经网络(CNN)与长短时记忆(LSTM)和门控循环单元(GRU)两种递归神经网络,我们提出了两种新技术,并利用边缘智能架构和优化方法提高了智能手机眼动追踪的性能。重要发现包括CNN+LSTM和CNN+GRU模型分别实现了平均根均方误差0.955cm和1.091cm,为实时交互应用提供了新的解决方案。
本研究提出了一种新颖的面向用户的学习算法,通过眼动追踪、人机交互设计和心理学实现了在动态环境中快速适应和高效推理。实验证明该方法在性能上相较于固定训练/测试算法有显著改进,即使只用较小的标注样本进行训练。此外,在数据注释过程中也展现了卓越的效率。