GazeAnywhere：CVPR 2026 可提示视线目标估计——自然语言驱动的端到端DMS视线分析
GazeAnywhere：CVPR 2026 可提示视线目标估计——自然语言驱动的端到端DMS视线分析 论文信息 标题： Gaze Target Estimation Anywhere with Concepts 会议： CVPR 2026 作者： Houze Yang, Vipin Gunda 等 (UIUC + Google) 链接： https://arxiv.org/abs/2608.11367 代码： https://github.com/IrohXu/GazeAnywhere 数据集： Gaze-Co，120K 可提示标注图像对 核心方法： 冻结DINOv3视觉编码器 + 冻结文本编码器 + Transformer检测器，端到端视线目标估计 核心创新首次提出可提示视线目标估计（PGE）任务： 用自然语言提示（如”穿红衣服的男孩”）指定目标人物，端到端预测其视线落点。消除了传统多阶段流水线对头部边界框、姿态关键点等中间输入的依赖。 关键突破： 传统方法：人脸检测→头部边界框→视线方向→落点（级联误差） GazeAnywhere：文本提示→端到端→视线热力图（无中...
GazeFS：视线轨迹预测与稳定化——无需目标的在线视线校正，P90 误差降低 0.4°
GazeFS：视线轨迹预测与稳定化——无需目标的在线视线校正，P90 误差降低 0.4° 论文来源：arXiv 2609.03868，2026年9月3日核心创新：从视线-头部历史序列预测目标中心方向 + 搜索/聚焦状态估计关键指标：30 人 7960 次试验，Focus 偏差降 0.182°，P90 误差降 0.400°IMS 相关性：⭐⭐⭐⭐（DMS 视线估计精度提升的关键技术） 论文信息 项目 内容 标题 GazeFS: Target-Centered Gaze-Trajectory Forecasting and Stabilization from Gaze-Head History arXiv 2609.03868 发表日期 2026年9月3日 作者 Yaozheng Xia 等 领域 cs.HC, cs.AI 试验规模 30 人，7960 次采集试验 链接 https://arxiv.org/abs/2609.03868 核心创新视线校正的新范式传统视线估计只关注当前帧的精度，GazeFS 提出时序校正： 维...
GDAU 疲劳检测：13 种注意力机制横评 + FPGA 边缘部署——首个跨数据集+量化全流程验证
GDAU 疲劳检测：13 种注意力机制横评 + FPGA 边缘部署——首个跨数据集+量化全流程验证 论文来源：Technologies 期刊, 2026年9月核心创新：Guided Dual-Attention Unit（位置感知空间注意力 + SE 通道注意力）关键指标：13 种模型横评，含跨数据集泛化 + INT8 量化 + FPGA 部署IMS 相关性：⭐⭐⭐⭐（为边缘部署提供了模型选择实证依据） 论文信息 项目 内容 标题 Guided Dual-Attention Networks for Compact Driver Drowsiness Detection: Performance, Calibration, and Edge Deployment 期刊 Technologies, 2026, 14(9), 544 发表日期 2026年9月 作者 Hussein Y.M., Hassan R.F., Chisab R.F. DOI 10.3390/technologies14090524 关键词 drowsiness, a...
婴儿3D姿态蒸馏：从无标注视频学习的基础模型迁移——CPD儿童检测新路径
婴儿3D姿态蒸馏：从无标注视频学习的基础模型迁移——CPD儿童检测新路径 论文信息 标题： Cross-Model Distillation of a Human-Pose Foundation Model from Unannotated Infant Video for Markerless 3D Pose Estimation 会议： ECCV 2026 Workshop MoCha 作者： R. James Cotton 等 链接： https://arxiv.org/abs/2609.01840 核心方法： Sapiens 2（教师）→ SAM 3D Body（学生）跨模型蒸馏，无标注婴儿视频训练 核心创新首次通过跨模型蒸馏从无标注婴儿视频学习3D姿态估计。 婴儿姿态估计的困境：所有主流姿态基础模型都训练在成人数据上，婴儿体型/运动模式完全不同。 解决方案： 冻结Sapiens 2（Meta的2D姿态模型）作为教师，在婴儿视频上生成密集伪标签 SAM 3D Body（3D人体模型）作为学生，通过可微分渲染对齐 仅用无标注视频，不依赖任何婴儿姿态标注 ...
Knuckles Notifications：方向盘背手超声波触觉反馈系统
Knuckles Notifications：方向盘背手超声波触觉反馈系统 论文信息 标题： Knuckles notifications: mid-air haptic feedback on the dorsal hand for hands-on-the-wheel driving 期刊： Frontiers in Computer Science, 2024 链接： https://doi.org/10.3389/fcomp.2024.1455201 发表日期： 2024年5月30日（2026年6月更新） 核心方法： 超声波相控阵 + 方向盘背手定位 + 4种车载通知触觉编码 核心创新首次提出**”指关节通知”（Knuckles Notifications）概念：将超声波触觉阵列安装在方向盘后方，在驾驶员握方向盘时对其手背（dorsal hand）**施加空中触觉反馈。解决了传统车载触觉系统的两大矛盾： 方向盘内嵌振动电机 → 被车辆振动遮蔽（masking effect） 中控台超声波阵列 → 驾驶员必须松手才能感受（hands-off-the-wheel） ...
Leapmotor B05 Euro NCAP 深拆：五星背后的座舱安全得失——OOP 检测缺失的信号
Leapmotor B05 Euro NCAP 深拆：五星背后的座舱安全得失——OOP 检测缺失的信号 来源：Euro NCAP 官方评估页面，2026年9月3日发布测试车型：Leapmotor B05（中国名 Lafa 5）核心关注：座舱安全功能细节，特别是 OOP/CPD/自适应约束 官方评估详解安全驾驶（66%）— 最弱项 功能 评估结果 评分影响 安全带提醒 ✅ 几乎满分，后座全有 +高分 前排乘客气囊开关 ✅ 手动关闭（儿童座椅用） +分 自适应约束 ❌ 不根据乘员体型调整 -扣分 OOP 检测 ❌ 不识别前排乘客危险姿态（脚放仪表台） -扣分 CPD 儿童遗留 ✅ 有警告 +分 关键缺失： ❌ 无自适应约束系统 — 气囊/安全带力不能根据乘员体型调整 ❌ 无 OOP 检测 — 不识别乘客脚放仪表台等危险姿态 碰撞避免（77%）— 优势项 功能 评估结果 评分影响 AEB 自动制动 ✅ 远超法规要求，高级场景表现优秀 +高分 车道偏离预防 ✅ 接近满分 +高分 开门预警 ✅ 防车门撞自...
轻量级语音情绪识别：手工特征+深度集成模型在5个数据集上的系统对比
轻量级语音情绪识别：手工特征+深度集成模型在5个数据集上的系统对比 论文信息 标题： Speech emotion recognition with light weight deep neural ensemble model using hand crafted features 期刊： Scientific Reports, Vol. 15, 11824 (2025) 作者： Chowdhury, J.H., Ramanna, S. & Kotecha, K. 链接： https://doi.org/10.1038/s41598-025-95734-z 发表日期： 2025年4月7日 核心方法： 1D-CNN + CNN-BiLSTM 集成 + MFCC/ZCR/RMSE/Chroma-STFT 手工特征 核心创新证明了轻量级手工特征+简单集成模型在5个标准数据集上超越复杂频谱图模型。这意味着在车载边缘设备上，不需要大规模预训练模型也能实现可靠的语音情绪识别。 关键数据： RAVDESS准确率：89.33% CREMA-D准确率...
海事疲劳盲区：5年PSC数据分析揭示BNWAS的统计保护效应
海事疲劳盲区：5年PSC数据分析揭示BNWAS的统计保护效应 文章信息 标题： The Fatigue Blind Spot 来源： The Maritime Executive 作者： Dr. Cecilia Hegamin-Younger (PhD Measurement & Statistics, LLM Maritime Law) 链接： https://maritime-executive.com/editorials/the-fatigue-blind-spot 发表日期： 2026年3月9日 数据来源： Paris/Tokyo/Caribbean MoU PSC检查记录 + IMO GSIS伤亡数据库 核心发现1,022起海事伤亡事件中仅1.4%归因于疲劳，但ITF估计疲劳实际贡献25%。 这个差距不是统计脚注，而是海事安全测量的核心危机。通过5年数据的逻辑回归分析发现：BNWAS（桥楼值班警报系统）缺陷被查出后，后续12个月伤亡概率降低74%——不是缺陷本身安全，而是检查触发的监管关注链产生了保护效应。 关键数据 指标 数值 ...
毫米波雷达+视觉融合感知综述：自动驾驶多模态融合全扫描——IMS 传感器融合的方法论基础
毫米波雷达+视觉融合感知综述：自动驾驶多模态融合全扫描——IMS 传感器融合的方法论基础 论文来源：Electronics 期刊, 2026, 15(17), 3919核心价值：系统梳理 mmWave+Vision 融合的方法分类、数据集、挑战IMS 相关性：⭐⭐⭐⭐⭐（座舱雷达+摄像头融合的方法论基础） 论文信息 项目 内容 标题 A Survey on Millimeter-Wave Radar and Vision Fusion Perception in Autonomous Driving 期刊 Electronics, 2026, 15(17), 3919 发表日期 2026年8月 作者 Han Y., Wang S., Feng D., Guo Y., Ma L. DOI 10.3390/electronics15173919 链接 https://www.mdpi.com/2079-9292/15/17/3919 融合方法分类三级融合架构 融合级别 融合位置 输入 优势 劣势 IMS 适用 数据级 原始数...
NVIDIA Cosmos 3 模型工厂：端到端物理 AI 数据流水线——IMS 座舱数据合成的终极引擎
NVIDIA Cosmos 3 模型工厂：端到端物理 AI 数据流水线——IMS 座舱数据合成的终极引擎 来源：AWS 机器学习博客 + NVIDIA 研究，2026年9月4日核心创新：单一模型同时做数据生成 + 后训练 + 闭环评估IMS 相关性：⭐⭐⭐⭐⭐（座舱数据合成是 IMS 核心痛点） 原文信息 项目 内容 标题 Build a Physical AI model factory with NVIDIA Cosmos 3 on SageMaker HyperPod 发布方 AWS Machine Learning Blog 发表日期 2026年9月4日 作者 Nathan Arnold, Eric Saleh (AWS) 技术报告 NVIDIA Cosmos 3 Technical Report 许可证 OpenMDW-1.1（Linux Foundation） 链接 https://aws.amazon.com/blogs/machine-learning/build-a-physical-ai-model-factory-wit...