SmartEye: An Accurate Infrared Eye Tracking System for Smartphones
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The capability to estimate where a user is looking on a screen is known as gaze estimation or eye tracking. It has been used in medical applications including assessment of mood and learning disorders, and brain injury diagnosis. If accurate eye tracking could be integrated into commodity smartphones these diagnostics could be broadly deployed at very low cost. The highest accuracy and most robust eye tracking methods employ infrared cameras and illumination which are not yet available on all standard smartphones. In this paper, we present an accurate infrared eye tracking system on a smartphone, named SmartEye, on an industrial prototype phone equipped with an infrared camera and illumination. The system is accurate in the presence of head pose variation and device movements in the user's hands, and requires only a one-time calibration routine to measure specific parameters of the user's eye. Our system achieves a gaze estimation bias of 0.57 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">°</sup> at a 20cm distance from the user, 5 times better than state-of-the art mobile device eye-tracking systems that do not use infrared illumination. Our system also allows for free head movements at distances between 20-40cm with a moderate increase in average gaze bias (to ~1 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">°</sup> ), and can operate at 12fps. This enhanced accuracy and increased mobility can expand significantly the range of eye-tracking applications that can be supported by smartphones.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle