一种用于眼动追踪校准的鲁棒多元众数新估计量
统计方法学
2021-07-19 v1 人工智能
摘要
我们在本工作中提出一种估计多元分布主众数新方法,应用于眼动追踪校准。当使用合作度低的被试(如婴儿或猴子)进行眼动追踪实验时,校准数据通常受到高度污染。离群点通常成簇分布,对应于被试未注视校准点的时间间隔。在此类多模态分布中,大多数集中趋势度量无法估计主注视坐标(第一众数),导致将注视映射到屏幕坐标时出现误差与不精确。在此,我们开发了一种识别多元分布第一众数的新算法,称为 BRIL,其依赖于基于深度的递归滤波。该新方法在人工混合的高斯分布与均匀分布上进行了测试,并与现有方法(常规深度中位数、位置与散布的鲁棒估计量以及基于聚类的方法)进行比较。我们取得了优异的性能,即使对于含有非常高比例离群点的分布,无论是成簇还是随机分布均如此。最后,我们利用卷尾猴眼动追踪校准的实验数据在真实场景中证明了我们方法的优势,尤其对于其他算法通常缺乏准确性的分布。
引用
@article{arxiv.2107.08030,
title = {A New Robust Multivariate Mode Estimator for Eye-tracking Calibration},
author = {Adrien Brilhault and Sergio Neuenschwander and Ricardo Araujo Rios},
journal= {arXiv preprint arXiv:2107.08030},
year = {2021}
}