超越注视重叠：基于自我中心数据的联合视觉注意力动态分析
人机交互
2025-09-17 v1
摘要
联合视觉注意力（Joint Visual Attention, JVA）为社会互动中的人类行为提供了信息丰富的线索。自我中心眼动仪的普及以及关于日常互动的大规模数据集，为在多用户环境中识别 JVA 提供了研究机遇。我们提出了一种新方法，利用以个体注视渲染的注意力为中心的时空管，并基于深度学习的特征映射来检测 JVA。我们的结果显示，以对象为中心的协作任务产生更高的 JVA（44-46%），而独立任务产生的注意力较低（4-5%）。除 JVA 之外，我们使用环境-焦点注意力系数 K 分析注意力特征，以理解共享注意力的定性方面。我们的分析表明，当参与者与共享对象交互时， 收敛，而在独立行动时发散。尽管我们的研究展示了使用自我中心商用眼动仪关于联合注意力的开创性发现，但它也表明我们的方法在心理学、人机交互和社交机器人领域具有潜在效用，特别是在理解生态有效情境下的注意力协调机制方面。
引用
@article{arxiv.2509.12419,
title = {Beyond Gaze Overlap: Analyzing Joint Visual Attention Dynamics Using Egocentric Data},
author = {Kumushini Thennakoon and Yasasi Abeysinghe and Bhanuka Mahanama and Vikas Ashok and Sampath Jayarathna},
journal= {arXiv preprint arXiv:2509.12419},
year = {2025}
}
备注
Accepted at IEEE 26th International Conference on Information Reuse and Integration for Data Science, 6 pages,3 figures