基于迁移学习和时序建模的VR游戏视频晕动症严重程度分类
计算机视觉与模式识别
2025-10-14 v1
摘要
随着虚拟现实技术的快速发展，其在医疗、教育和娱乐等领域的应用显著增长。然而，晕动症这一以类似晕车症状为特征的持续性问题，仍然阻碍着虚拟现实的广泛接受。尽管最近的研究探索了利用来自集成虚拟现实传感器（如眼动和头部追踪）数据的多模态深度学习方法，但对于使用基于视频的特征来预测晕动症的研究仍然有限。在本研究中，我们通过利用迁移学习，使用在ImageNet数据集上预训练的InceptionV3模型从虚拟现实游戏视频中提取高级视觉特征，来填补这一空白。然后将这些特征传递给长短期记忆网络，以捕捉虚拟现实体验的时间动态并预测随时间变化的晕动症严重程度。我们的方法有效利用了视频数据的时间序列特性，实现了68.4%的晕动症严重程度分类准确率。这超越了仅基于视频数据训练的现有模型的性能，为虚拟现实开发者提供了一种评估和缓解虚拟环境中晕动症的实用工具。此外，这项工作为未来基于视频的时序建模研究奠定了基础，以增强虚拟现实应用中的用户舒适度。
引用
@article{arxiv.2510.10422,
title = {Towards Cybersickness Severity Classification from VR Gameplay Videos Using Transfer Learning and Temporal Modeling},
author = {Jyotirmay Nag Setu and Kevin Desai and John Quarles},
journal= {arXiv preprint arXiv:2510.10422},
year = {2025}
}