扫视序列预测：超越静态显著性图
计算机视觉与模式识别
2017-11-30 v1
摘要
视觉注意是一个具有相当长历史的领域，其中眼动控制与预测构成了一个重要的子领域。过去几十年的注视建模在计算上主要由若干极具影响力的自下而上显著性模型主导，例如 Itti-Koch-Niebur 模型。由于深度学习，此类模型的准确性近来大幅提升。然而，在静态图像上，这些模型的重点主要基于通过显著性图对非有序的注视进行预测。极少有已实现的模型能够生成初始注视点之外的时间有序的类人扫视序列。为弥补这些不足，我们提出 STAR-FC，一种基于深度学习显著性（中央）与低层特征显著性（外周）相融合的新型多扫视生成器。我们使用 CAT2000 数据库评估了我们的模型，成功以与使用一条人类序列预测另一条相当的准确性和质量预测了人类注视模式。这相比最先进显著性算法预测的注视序列是一项显著改进。
引用
@article{arxiv.1711.10959,
title = {Saccade Sequence Prediction: Beyond Static Saliency Maps},
author = {Calden Wloka and Iuliia Kotseruba and John K. Tsotsos},
journal= {arXiv preprint arXiv:1711.10959},
year = {2017}
}