.png){kind=icon}
返回
Visual attention graph
.png){kind=icon}
PRE
AI
DOI：10.3758/s13428-025-02892-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视觉注意在视觉系统通过与人眼场景交互执行主动视觉任务时发挥着关键作用。然而，如何在心理世界的脑中编码视觉对象关系值得探索。预测视觉注视点或扫描路径是探索人类观察者在观看场景时的视觉注意和行为的一种常用方法。大多数现有方法使用从人类观察者收集的原始眼动数据中提取的个别注视点或扫描路径来编码视觉注意。这可能无法很好地捕捉常见的注意模式，因为如果不考虑所观察场景的语义信息，仅凭原始眼动数据就包含高观察者间和观察者内的变异性。为解决此问题，我们提出了一种新的注意表示方法，称为视觉注意图（VAG），用于在基于图的表示中同时编码视觉显著性及扫描路径，以更好地揭示人类观察者的共同注意行为。在视觉注意图中，基于语义的扫描路径由图上的路径定义，而对象的显著性可以通过计算每个节点的注视点密度获得。系统性实验表明，所提出的注意图结合我们新的评估指标为评估注意预测方法提供了更好的基准。同时，额外实验表明，所提出的注意图在评估人类认知状态方面具有应用潜力，例如自闭症谱系障碍筛查和年龄分类。
Keyword:
Visual attention
Scanpath similarity
Semantic scanpath
Eye movement
期刊
IF:
3.9
论文数:
720
被引数:
3.6W
机构
引用论文
Machine learning accurately classifies age of toddlers based on eye tracking.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容