利用逆强化学习预测目标导向的注意控制
计算机视觉与模式识别
2020-02-03 v1
摘要
理解目标状态如何控制行为，是一个可由机器学习新方法探究的成熟问题。这些方法需要大规模带标注的数据集来训练模型。为给大规模图像数据集标注观察到的搜索注视点，我们收集了 4,366 张图像（MS-COCO）中人们搜索微波炉或时钟时的 16,184 个注视点。随后我们利用该行为标注数据集和逆强化学习（IRL）这一机器学习方法，为这两个目标学习特定目标的奖励函数与策略。最后，我们运用这些学习到的策略，在一个不相交的厨房场景测试数据集（同时描绘微波炉和时钟，从而控制低层图像对比度差异）中预测 60 名新行为搜索者（时钟=30，微波炉=30）的注视点。我们发现 IRL 模型通过多种度量预测了行为搜索效率和注视密度图。此外，IRL 模型的奖励图揭示了特定目标模式，表明不仅存在由目标特征引导的注意，还有由场景上下文引导的注意（例如搜索时钟时沿墙壁的注视）。利用机器学习和具有心理学意义的奖励原理，可以学习目标导向注意控制中所用的视觉特征。
引用
@article{arxiv.2001.11921,
title = {Predicting Goal-directed Attention Control Using Inverse-Reinforcement Learning},
author = {Gregory J. Zelinsky and Yupei Chen and Seoyoung Ahn and Hossein Adeli and Zhibo Yang and Lihan Huang and Dimitrios Samaras and Minh Hoai},
journal= {arXiv preprint arXiv:2001.11921},
year = {2020}
}