无标记单目视线估计：散焦深度驱动虹膜定位，单摄像头实现注视追踪
无标记单目视线估计：散焦深度驱动虹膜定位，单摄像头实现注视追踪 论文：Marker-free eye-gaze estimation using a single image and depth from defocusarXiv：2609.09610 论文信息 项目 内容 标题 Marker-free eye-gaze estimation using a single image and depth from defocus arXiv 2609.09610 方法 散焦深度 + 虹膜定位 + 贝叶斯逻辑回归 标记 无需外部标记 核心创新一种完全无标记的视线估计方法，仅需单个 2D 摄像头： 散焦深度估计 — 利用景深模糊程度估计头部 3D 姿态 虹膜定位 — 无需红外标记，直接从图像定位虹膜 8维特征向量 — 头部姿态(6) + 虹膜位移(2) 变分贝叶斯多项逻辑回归 — 从特征到注视点的映射 方法详解123456789101112131415161718192021222324252627282930313233343536373839...
NTSM：神经生理引导的三流选择性状态空间模型——EEG+EOG多模态疲劳检测的新架构
NTSM：神经生理引导的三流选择性状态空间模型——EEG+EOG多模态疲劳检测的新架构论文信息 项目 内容 标题 NTSM: Neurophysiology-Guided Tri-Stream Selective State Space Model for Real-Time Driver Fatigue Detection with EEG-EOG Signals 来源 PubMed (2026-08) DOI PMID: 42647705 关键词 EEG, EOG, Mamba, SSM, driver fatigue, real-time 数据集 SEED-VIG 核心创新问题：为什么EEG+EOG多模态疲劳检测需要新架构？ 挑战 现有方法局限 NTSM解决方式 EEG长序列建模 Transformer O(n²)复杂度 Mamba SSM O(n)线性复杂度 多模态融合 简单拼接/加权 三流独立编码 + 跨模态注意力 神经生理先验 数据驱动，忽略脑科学 神经生理引导的通道分组 实时性 模型大，延迟高 选择性状态...
PressurePose：压力传感垫上的3D人体姿态估计——OOP检测的隐私友好新路径
📄 全文中文译稿已上线：论文库译稿页(保留全部图表,含工程向译者解读),需要逐节细节请直接读译稿。 PressurePose：压力传感垫上的3D人体姿态估计——OOP检测的隐私友好新路径 📄 本文论文已排队生成全文中文译稿，完成后将自动出现在论文库。 论文信息 项目 内容 标题 Bodies at Rest: 3D Human Pose and Shape Estimation From a Pressure Image Using Synthetic Data 会议 CVPR 2020 DOI 10.1109/cvpr42600.2020.00625 数据集 PressurePose: 206K合成压力图像（184K训练/22K测试）+ 1,051张真实压力图像（20名被试） 预印本 arXiv:2004.01166 关键词 3D human pose, pressure sensing, synthetic data, OOP 为什么关注这篇2020年的论文？Euro NCAP 2026要求OOP（Out-of-...
量子启发的驾驶行为建模：用密度矩阵重塑驾驶员行为表征范式
量子启发的驾驶行为建模：用密度矩阵重塑驾驶员行为表征范式论文信息 项目 内容 标题 Quantum-Inspired Modeling of Driving Behavior 作者 Mohammad Elayan et al. arXiv 2608.25907 提交时间 2026-08-26 代码 github.com/mselayan/quantum-driver-representation 数据集 I-24 MOTION（真实高速公路交通数据） 领域 cs.LG, eess.SY, stat.ML 页数 44页（含附录），27张图 核心创新传统方法的根本局限 方法 假设 局限 IDM (Intelligent Driver Model) 驾驶行为固定参数化 无法适应情境变化 Gipps模型 确定性跟车规则 行为异质性被忽略 深度学习(LSTM/GRU) 隐含状态是向量 不确定性只能通过输出层 高斯混合模型 行为是离散模式混合 无法连续过渡 量子启发的核心思想将每位驾驶员表示为一...
RAFM_SER++：轻量多模态语音情绪识别 — 非对称残差注意力融合，79.6 it/s 实时推理
RAFM_SER++：轻量多模态语音情绪识别 — 非对称残差注意力融合，79.6 it/s 实时推理 论文：RAFM_SER++: A Lightweight Multimodal Emotion Recognition Framework for Real-Time Behavioral Monitoring作者：Trung Duong 等会议：IEEE AVSS 2026arXiv：2609.07409 论文信息 项目 内容 标题 RAFM_SER++: A Lightweight Multimodal Emotion Recognition Framework 会议 IEEE AVSS 2026 arXiv 2609.07409 IEMOCAP BACC 81.10% ESD BACC 95.39% 推理速度 79.60 it/s 参数减少 60%+ 核心创新RAFM_SER++ 解决了多模态语音情绪识别（SER）的计算瓶颈： 非对称残差注意力融合 (RAFM) — 单向注入式融合，语音情感线索注入文本语义表...
REOcc：摄像头-雷达融合3D占用预测 — 雷达特征增强新范式，舱内感知的启示
REOcc：摄像头-雷达融合3D占用预测 — 雷达特征增强新范式，舱内感知的启示 论文：REOcc: Camera-Radar Fusion with Radar Feature Enrichment for 3D Occupancy Prediction会议：IROS 2025数据集：Occ3D-nuScenes 论文信息 项目 内容 标题 REOcc: Camera-Radar Fusion with Radar Feature Enrichment for 3D Occupancy Prediction 会议 IROS 2025 数据集 Occ3D-nuScenes mIoU 45.33% 动态目标提升 +22.36% vs 摄像头-only 核心创新REOcc 解决了摄像头-雷达融合中的核心痛点：雷达数据稀疏且噪声大，直接融合效果差。提出两个关键模块： Radar Densifier（雷达致密化器） — 用自适应高斯函数将非空雷达”柱”的特征重分配到邻域空柱，高斯宽度基于 RCS 自适应调整 Radar Amplifier（雷达放大器...
Tesla Model Y IIHS 评级启示：安全带提醒"marginal"背后的 DMS 标准演进
Tesla Model Y IIHS 评级启示：安全带提醒”marginal”背后的 DMS 标准演进 来源：IIHS 2026 Tesla Model Y 评级报告时间：2026年9月 评级项目 结果 碰撞worthiness ✅ 全优 碰撞避免 ✅ 全优 头灯 ✅ 良好 安全带提醒 ⚠️ Marginal 总评 Top Safety Pick+ 事件分析Tesla Model Y 2026 IIHS 评级2026款 Tesla Model Y 在 IIHS 测试中几乎全面优秀，获得 Top Safety Pick+ 奖。但安全带提醒系统被评为 “marginal”（边缘）。 扣分原因： 音频-视觉提醒持续时间不满足 IIHS 标准。 IIHS 安全带提醒评级标准 等级 要求 Good 持续音频+视觉提醒 ≥ 8秒，高速 ≥ 65km/h 时持续 Acceptable 持续提醒 ≥ 4秒 Marginal 间歇提醒或持续时间不足 Poor 短暂提醒或不提醒 对 DMS/OMS 的启示IIHS 的安...
汽车热成像技术综述：非制冷红外传感器在座舱内外的应用前景
汽车热成像技术综述：非制冷红外传感器在座舱内外的应用前景 来源：On the Role of Thermal Imaging in Automotive Applications: A Critical Review机构：University of Galway时间：2026年9月 论文信息 项目 内容 标题 On the Role of Thermal Imaging in Automotive Applications: A Critical Review 机构 University of Galway 年份 2026 类型 综述 核心内容热成像在汽车领域的两大应用1. 舱外感知 (Out-Cabin) 应用 可见光 热成像 优势 夜间行人检测 ❌ ✅ 200m+ 不依赖光照 动物检测 ❌ ✅ 体温差异 恶劣天气 ⚠️ ✅ 穿透雨雾 ETC ⚠️ ✅ 全天候 2. 舱内感知 (In-Cabin) 应用 可见光 热成像 优势 乘员检测 ⚠️ 光照依赖 ✅ 全天候 CPD 儿童检测 ⚠️ 隐私 ✅ 隐私保护 ...
BiFuseNet：双模态融合酒驾检测新突破 — RGB+红外面部视频 BAC 估计达 90%
BiFuseNet：双模态融合酒驾检测新突破 — RGB+红外面部视频 BAC 估计达 90% 论文：BiFuseNet: A Multimodal Network for Estimating Blood Alcohol Concentration via Bidirectional Hierarchical Fusion作者：Abdullah Tariq, Syed Zulqarnain Gilani 等会议：BMVC 2026 / ICMI 2025机构：Edith Cowan University (ECU), Australia 论文信息 项目 内容 标题 BiFuseNet: A Multimodal Network for Estimating Blood Alcohol Concentration via Bidirectional Hierarchical Fusion 作者 Abdullah Tariq, Syed Zulqarnain Gilani 等 会议 BMVC 2026 / ICMI 2025 年份 20...
DrowSFormer-XAI：99.58% 精度可解释疲劳检测 — ConvNeXt+CaiT 交叉注意力融合架构
DrowSFormer-XAI：99.58% 精度可解释疲劳检测 — ConvNeXt+CaiT 交叉注意力融合架构 论文：DrowSFormer-XAI: explainable attention fusion network for driver drowsiness detection作者：Kathirvel Rajalingam, Saravanan Srinivasan 等期刊：Neural Processing Letters时间：2026年9月 论文信息 项目 内容 标题 DrowSFormer-XAI: explainable attention fusion network for driver drowsiness detection 作者 Kathirvel Rajalingam, Saravanan Srinivasan, Sakthi Govindaraju 等 期刊 Neural Processing Letters 年份 2026 精度 99.58% 参数量 159M 计算量 63.4 GFLOPS 核心...