Eye-Tracker: 实施与优化“每个人的眼动追踪”文章中的iTracker模型

简介：
本文介绍了如何实施和优化基于每个人的眼动追踪论文中的iTracker模型，致力于使眼动追踪技术更加普及和个人化。通过详细的技术解析和实践指导，为研究者提供了一个易于操作的框架，旨在降低眼动追踪技术的应用门槛，并提升其在人机交互、心理学等领域的应用效果。 眼动仪采用了论文提出的iTracker模型，并对其进行了实施与改进。图1展示了原始的iTracker架构，而图2则显示了经过修改后的iTracker架构。这两张图表详细对比了两种不同的体系结构。 修改后的模型相对于原版iTracker模型唯一的不同在于：我们首先将面部层FC-F1和面罩层FC-FG1进行连接，在应用完全连接的层FC-F2之后，再将眼睛层FC-E1与这一层次相接。我们认为这种改良过的架构优于原始版本。从直觉上讲，把面罩信息跟眼睛的信息直接相连可能会使模型产生混淆，因为这两类数据之间不存在关联性。即便iTracker能够通过学习来理解这一点，改进后的模型则更加明确地利用了这样的知识结构从而超越原版。 在实验中发现，修改过的架构显示出更快的收敛速度（28个周期对比40多个周期），同时验证误差也更低（分别为2.19厘米和2.514厘米）。iTracker模型的具体实现是在itracker.py文件里完成的。