迈向视觉搜索的最优决策策略

在杂波中搜索物体是视觉系统的一项关键能力。速度和准确性往往至关重要：视觉系统如何在不同任务中权衡这些竞争量以实现最优性能？这种权衡如何依赖于目标外观和场景复杂度？我们表明，最优权衡策略可以表述为部分可观测马尔可夫决策过程（POMDP）的解，并通过动态规划过程计算得出。然而，当视觉场景过于杂乱时，该过程计算量巨大。因此，我们还猜想了一种可扩展至大量杂波的最优策略。我们的猜想适用于同质视觉搜索，以及信噪比随位置变化的异质搜索的特例。利用该猜想，我们证明了两种现有的用于分析人类数据的决策机制，即扩散至边界（diffusion-to-bound）和输出最大值（maximum-of-output），是次优的；而最优策略则采用两个缩放扩散。