論文の概要: A Probabilistic Time-Evolving Approach to Scanpath Prediction

• arxiv url: http://arxiv.org/abs/2204.09404v1
• Date: Wed, 20 Apr 2022 11:50:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 14:18:57.891162
• Title: A Probabilistic Time-Evolving Approach to Scanpath Prediction
• Title（参考訳）: スカンパス予測に対する確率論的時間発展的アプローチ
• Authors: Daniel Martin, Diego Gutierrez, Belen Masia
• Abstract要約: ベイズ深層学習に基づくスキャンパス予測のための確率論的時間進化手法を提案する。 我々のモデルは、現在の最先端のアプローチよりも優れており、ほぼ人間のベースラインに匹敵する結果をもたらす。
• 参考スコア（独自算出の注目度）: 8.669748138523758
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human visual attention is a complex phenomenon that has been studied for decades. Within it, the particular problem of scanpath prediction poses a challenge, particularly due to the inter- and intra-observer variability, among other reasons. Besides, most existing approaches to scanpath prediction have focused on optimizing the prediction of a gaze point given the previous ones. In this work, we present a probabilistic time-evolving approach to scanpath prediction, based on Bayesian deep learning. We optimize our model using a novel spatio-temporal loss function based on a combination of Kullback-Leibler divergence and dynamic time warping, jointly considering the spatial and temporal dimensions of scanpaths. Our scanpath prediction framework yields results that outperform those of current state-of-the-art approaches, and are almost on par with the human baseline, suggesting that our model is able to generate scanpaths whose behavior closely resembles those of the real ones.
• Abstract（参考訳）: 人間の視覚注意は何十年も研究されてきた複雑な現象である。 その内、スキャンパス予測の特定の問題は、特にサーバ間の変動や、サーバ内の変動が原因で、課題となる。 さらに、スカンパス予測の既存のアプローチのほとんどは、前者の視線の予測を最適化することに焦点を当てている。 本研究では,ベイズ深層学習に基づくスカンパス予測の確率論的時間発展手法を提案する。 走査パスの空間的次元と時間的次元を共同で考慮し,Kullback-Leibler分散と動的時間ワープを組み合わせた新しい時空間損失関数を用いて,我々のモデルを最適化する。 我々のスキャンパス予測フレームワークは、現在の最先端のアプローチよりも優れており、人間のベースラインとほぼ同等であり、我々のモデルが実際のモデルとよく似た振る舞いを持つスキャンパスを生成することができることを示唆している。

関連論文リスト

• GazeXplain: Learning to Predict Natural Language Explanations of Visual Scanpaths [20.384132849805003]
  本稿では,視覚スキャンパス予測と説明の新しい研究であるGazeXplainを紹介する。 これには、視線追跡データセットにまたがる修正のための自然言語の説明が注釈付けされる。 多様な視線追跡データセットの実験は、スキャンパス予測と説明の両方においてGazeXplainの有効性を示す。
  論文  参考訳（メタデータ） (2024-08-05T19:11:46Z)
• Improving Trajectory Prediction in Dynamic Multi-Agent Environment by Dropping Waypoints [9.385936248154987]
  動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。 本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。 NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-09-29T15:48:35Z)
• Scanpath Prediction in Panoramic Videos via Expected Code Length Minimization [27.06179638588126]
  損失データ圧縮の原理に基づくスキャンパス予測のための新しい基準を提案する。 この基準は、トレーニングセットにおける量子化されたスキャンパスのコード長を最小化することを示唆している。 また、現実的な人間のようなスキャンパスを生成するために、PID(Paldical-Integrated-Integrated-Divative)コントローラベースのサンプリングも導入する。
  論文  参考訳（メタデータ） (2023-05-04T04:10:47Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• An Inter-observer consistent deep adversarial training for visual scanpath prediction [66.46953851227454]
  本稿では,軽量なディープニューラルネットワークによるスキャンパス予測のための,サーバ間一貫した対向トレーニング手法を提案する。 我々は、最先端の手法に関して、我々のアプローチの競争力を示す。
  論文  参考訳（メタデータ） (2022-11-14T13:22:29Z)
• Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
  本稿では,人間の動作予測のための確率モデルを提案する。 我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。 我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2021-07-14T09:05:33Z)
• Temporally-Continuous Probabilistic Prediction using Polynomial Trajectory Parameterization [12.896275507449936]
  アクターの動作予測に一般的に使用される表現は、各アクターが個別の将来の時間ポイントで行う一連のウェイポイントである。 このアプローチは単純で柔軟であるが、中間時間ステップで非現実的な高次微分や近似誤差を示すことができる。 本稿では,軌道パラメータ化に基づく時間的連続軌道予測のための簡易かつ汎用的な表現を提案する。
  論文  参考訳（メタデータ） (2020-11-01T01:51:44Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。