基于自适应推理状态空间建模提升事件数据流中的眼部特征估计
计算机视觉与模式识别
2026-04-01 v2
摘要
从基于事件的数据流中提取眼部特征可实现高效低能耗，具有广泛实际应用价值。然而，现有眼部特征提取器缺乏针对因凝视行为运动学变化导致的事件密度突变的适应性，致使预测性能受损。本文通过引入自适应推理状态空间模型（Adaptive Inference State Space Model，AISSM），一种能够动态调整当前与近期信息相对权重的新型特征提取架构来解决此问题。该权重由信号信噪比和事件密度估计决定，来自互补动态置信网络。最后，我们设计并评估了一种新型学习技术以提升训练效率。实验结果表明，AISSM系统在事件驱动的眼部特征提取方面超越了当前最先进的模型。
引用
@article{arxiv.2603.14077,
title = {Enhancing Eye Feature Estimation from Event Data Streams through Adaptive Inference State Space Modeling},
author = {Viet Dung Nguyen and Mobina Ghorbaninejad and Chengyi Ma and Reynold Bailey and Gabriel J. Diaz and Alexander Fix and Ryan J. Suess and Alexander Ororbia},
journal= {arXiv preprint arXiv:2603.14077},
year = {2026}
}
备注
8 pages, 3 figures, 1 tables, accepted to ETRA 2026