CLRGaze:用于眼动信号的对比表示学习
计算机视觉与模式识别
2021-06-01 v2
摘要
眼动是包含主体丰富认知信息的复杂动态生物信号。然而,这些信号具有模糊性,因而需要精细的特征工程才能被机器学习算法使用。我们转而提出以自监督方式学习眼动的特征向量。我们采用对比学习方法,并提出一组鼓励深度神经网络辨识显著且细粒度注视模式的数据变换。本文提出了一项利用六个眼动追踪数据集的新颖实验,尽管这些数据集的数据规格与实验条件不同。我们仅使用线性分类器在生物特征识别任务上评估所学特征,在混合数据集上达到 84.6% 准确率,在单一数据集上最高达 97.3% 准确率。我们的工作推进了眼动的机器学习状态,并为不仅针对眼动、也针对类似生物信号的通用表示学习方法提供了见解。
引用
@article{arxiv.2010.13046,
title = {CLRGaze: Contrastive Learning of Representations for Eye Movement Signals},
author = {Louise Gillian C. Bautista and Prospero C. Naval},
journal= {arXiv preprint arXiv:2010.13046},
year = {2021}
}
备注
Accepted to 29th European Signal Processing Conference (EUSIPCO 2021)