基于事件相机的微小眼动识别基准测试：新型数据集与评估
计算机视觉与模式识别
2025-10-29 v1
摘要
微小眼动是视觉感知和神经处理中至关重要的小幅不随意眼动。传统微小眼动研究通常使用眼动追踪器或基于帧的分析方法，虽然精确，但成本高昂且在可扩展性和时序分辨率方面受限。基于事件的感知以高速、低延迟的方式，通过高效捕获细粒度时空变化，提供了一种替代方案。本工作引入了首个基于事件的微小眼动数据集，以支持认知计算中小尺度眼动动力学研究。使用Blender渲染高保真度的眼动场景，模拟角位移从0.5到2.0度的微小眼动，分为七个 distinct 类。将其转换为事件流使用v2e，保留微小眼动的自然时序动态，持续时间范围为0.25 ms至2.25 ms。我们使用Spiking-VGG11、Spiking-VGG13和Spiking-VGG16进行数据集评估，并提出一种基于SpikingJelly实现的光流增强型变体Spiking-VGG16Flow。模型实现约90%的平均准确率，成功地按角位移分类微小眼动，独立于事件数或持续时间。这些结果表明了脉冲神经网络在精细运动识别中的潜力，并为基于事件的视觉研究建立了基准。数据集、代码和训练好的模型将在https://waseemshariff126.github.io/microsaccades/ 上公开。
引用
@article{arxiv.2510.24231,
title = {Benchmarking Microsaccade Recognition with Event Cameras: A Novel Dataset and Evaluation},
author = {Waseem Shariff and Timothy Hanley and Maciej Stec and Hossein Javidnia and Peter Corcoran},
journal= {arXiv preprint arXiv:2510.24231},
year = {2025}
}
备注
Accepted in British Machine Vision Conference (BMVC) 2025, Main Conference