Realization of an Inverse Yarbus Process via Hidden Markov Models for Visual-Task Inference
Notice bibliographique
Résumé
It has been known for a long time that visual task greatly influences eye movement patterns. Perhaps the best demonstration of this is the celebrated study of Yarbus showing that different eye movement scanpaths emerge depending on the visual. Forward Yarbus process, the effect of visual task on eye movement pattern, has been investigated for various tasks. In this work, we have developed an inverse Yarbus process whereby we can infer the visual task by observing the measurements of a viewer's eye movements while executing the visual task. To do so, first we need to track the allocation of attention, for different tasks entail attending various locations in an image and therefore tracking attention will lead us to task inference. Eye position does not tell the whole story when it comes to tracking attention. While it is well known that there is a strong link between eye movements and attention, the attentional focus is nevertheless frequently well away from the current eye position. Eye tracking methods may be appropriate when the subject is carrying out a task that requires foveation. However, these methods are of little use (and even counter-productive) when the subject is engaged in tasks requiring peripheral vigilance. The model we have developed for attention tracking uses Hidden Markov Models (HMMs), where covert (and overt) attention is represented by the hidden states of task-dependent HMMs. Fixation locations, thus, correspond to the observations of an HMM and were used in training (by using Baum-Welch algorithm) task-dependent models whereby we could evaluate the likelihood of observing an eye trajectory given a task (forward algorithm). Having this likelihood term, we were able to use the Bayesian inference and recognize the ongoing task by viewing the eye movements of subjects while performing a number of simple visual tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».