การตรวจจับการกะพริบตาโดยใช้การเรียนรู้เชิงลึกและเรดาร์ FMCW

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

ภูมิ พันธุ์เพ็ง

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

ณกรณ์ ขำชัยสีเมฆ

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนร่วมฤดีวิเทศศึกษา

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2565

บทคัดย่อโครงงานวิทยาศาสตร์

Head pose estimation (HPE) is a crucial problem that has a large number of applications, such as driving attention detection, best frame selection, face frontalization, contactless medical devices, and human-computer interaction (HCI), which includes eye blink detection; however, previous experiments with millimeter-wave radars showed subpar detection accuracy due to a low signal-to-noise ratio (SNR) between eyelid flutters and subconscious head movement. Therefore, this paper proposes a privacy-centric and versatile HPE method utilizing millimeter-wave and deep probabilistic models to improve eye blink detection. Specifically, this method is inspired by diffusion models and their ability to generate images with more diversity and visual fidelity than traditional GANs. With guided diffusion, we develop a deep learning architecture that generates a position vector describing head pose based on radar doppler signals from previous timesteps. By performing HPE and subtracting the resultant signals, eye blink detection models should achieve higher detection accuracy and become more practical in everyday use cases.