一个可通用神经网络的框架,用于对眼和瞳孔的可靠估计
Arnab Biswas1,2, Mark D Lescroart3,4,5
1Graduate Program in Integrative Neuroscience, University of Nevada, Reno, USA. arnab@nevada.unr.edu.
Behavior research methods
|November 28, 2023
概括
本研究介绍了用于视频眼镜学的深度神经网络 (DNN) 的高效数据选择. 导向采样减少了对准确的瞳孔和眼估计的培训数据需求.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 深度神经网络 (DNN) 具有先进的视频眼镜精度.
- 为DNN收集和标记广泛的训练数据是资源密集的.
- 现有的DNN模型需要大型数据集来进行可靠的预测.
研究的目的:
- 改进pylids深度神经网络 (DNN) 模型用于瞳孔和眼估计.
- 开发高效的数据选择方法,用于训练DNN在视频眼镜.
- 为了减少训练强大的DNN模型的数据要求.
主要方法:
- 利用DeepLabCut框架开发了pylids DNN模型.
- 研究了测试数据分布和模型性能之间的关系.
- 雇员指导采样技术用于选择培训数据和数据增强.
主要成果:
- 导向采样实现了最先进的瞳孔和眼估计,减少了培训数据.
- 证明了有效采样对数据增强选择的有效性.
- 在各种数据集上展示了改进的模型概括.
结论:
- 有效的数据选择方法显著减少了DNN培训所需的努力.
- 优化的数据采样提高了DNN模型的概括性和视频眼镜学中的性能.
- 提出的方法将与标记和训练DNN相关的时间和成本降到最低.
