توضیحات
ABSTRACT
Modeling visual attention—particularly stimulus-driven, saliency-based attention—has been a very active research area over the past 25 years. Many different models of attention are now available which, aside from lending theoretical contributions to other fields, have demonstrated successful applications in computer vision, mobile robotics, and cognitive systems. Here we review, from a computational perspective, the basic concepts of attention implemented in these models. We present a taxonomy of nearly 65 models, which provides a critical comparison of approaches, their capabilities, and shortcomings. In particular, 13 criteria derived from behavioral and computational studies are formulated for qualitative comparison of attention models. Furthermore, we address several challenging issues with models, including biological plausibility of the computations, correlation with eye movement datasets, bottomup and top-down dissociation, and constructing meaningful performance measures. Finally, we highlight current research trends in attention modeling and provide insights for future.
INTRODUCTION
Aeyes every second . Processing this data in real- rich stream of visual data (108-109 bits) enters our time is an extremely daunting task without the help of clever mechanisms to reduce the amount of erroneous visual data. High-level cognitive and complex processes such as object recognition or scene interpretation rely on data that has been transformed in such a way as to be tractable. The mechanism this paper will discuss is referred to as visual attention—and at its core lies an idea of a selection mechanism and a notion of relevance. In humans, attention is facilitated by a retina that has evolved a highresolution central fovea and a low- resolution periphery. While visual attention guides this anatomical structure to important parts of the scene to gather more detailed information, the main question is on the computational mechanisms underlying this guidance. In recent decades, many facets of science have been aimed toward answering this question. Psychologists have studied behavioral correlates of visual attention such as change blindness , inattentional blindness , and attentional blink . Neurophysiologists have shown how neurons accommodate themselves to better represent objects of interest . Computational neuroscientists have built realistic neural network models to simulate and explain attentional behaviors.
چکیده
مدل سازی توجه بصری – به ویژه محرک – محور، توجه توجه مبتنی بر – شده است یک منطقه تحقیقاتی بسیار فعال در طول 25 سال گذشته است. در حال حاضر مدل های مختلفی از توجه وجود دارد که علاوه بر تأمین کمک های نظری به زمینه های دیگر، برنامه های کاربردی موفق در دید کامپیوتری، روباتیک موبایل و سیستم های شناختی را نشان می دهد. در اینجا از دیدگاه محاسباتی، مفاهیم اصلی توجه مورد توجه در این مدل ها بررسی می شود. ما یک طبقه بندی تقریبا 65 مدل را ارائه می دهیم، که یک مقایسه بحرانی روش ها، قابلیت ها و کاستی های آنها را فراهم می کند. به طور خاص، 13 معيار از مطالعات رفتاري و محاسباتي براي مقايسه کيفی مدل توجه تهيه شده است. علاوه بر این، ما با چندین مسئله چالش برانگیز با مدلها، از جمله قابلیت اطمینان بیولوژیکی محاسبات، همبستگی با مجموعه داده های حرکتی چشم، تقسیم بندی پایین و بالا به پایین، و ساخت معیارهای عملکرد معنادار، روبرو می شویم. در نهایت، ما روند تحقیقات در حال حاضر در مدل سازی توجه را برجسته می کنیم و بینش برای آینده را ارائه می دهیم.
مقدمه
Aeyes هر ثانیه. پردازش این داده ها در جریان واقعی اطلاعات بصری (108-109 بیت) وارد زمان ما می شود یک کار بسیار دشوار است بدون کمک از مکانیزم های هوشمندانه برای کاهش میزان اطلاعات نادرست بصری. فرایندهای شناختی و پیچیده بالا مانند تشخیص شی یا تفسیر صحنه بر اطلاعاتی که به گونه ای تبدیل شده اند که می توانند مورد بررسی قرار گیرند. مکانیزم این مقاله بحث خواهد شد به عنوان توجه بصری – و در هسته آن ایده یک مکانیزم انتخاب و یک مفهوم مرتبط است. در انسان، یک شبکیه چشم را تسهیل می کند که یک fovea مرکزی پررنگ و یک قطعه کم وضوح کمتری ایجاد کرده است. در حالی که توجه ویژهای این ساختار تشریحی را به بخش های مهم صحنه هدایت می کند تا اطلاعات دقیق تر را جمع آوری کند، سوال اصلی این است که سازوکارهای محاسباتی این راهنمایی چیست. در دهه های اخیر، بسیاری از جنبه های علم به هدف پاسخ دادن به این پرسش ها پرداخته شده است. روانشناسان همبستگی های رفتاری مرتبط با توجه بصری مانند تغییر کور، کوری ناخوشایند و چشمک زدن توجه کرده اند. نوروفیزیولوژیست ها نشان داده اند که چگونه نورون ها خود را بهتر می نمایند تا اشیاء مورد علاقه را نمایندگی کنند. دانشمندان علوم اعصاب محاسباتی مدلهای شبکه عصبی واقعی را برای شبیه سازی و توضیح رفتارهای توجهی ساخته اند.
Year: 2013
Publisher : IEEE
By : Ali Borji, and Laurent Itti
File Information: English Language/ 23 Page / size: 3.77 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1392
ناشر : IEEE
کاری از : علی بروجی و لوران ایتی
اطلاعات فایل : زبان انگلیسی / 23صفحه / حجم : KB 3.77
نقد و بررسیها
هنوز بررسیای ثبت نشده است.