在混合搜索中整合贝叶斯和神经网络模型用于眼动预测

科学领域:

• 认知科学 认知科学
• 计算机视觉 计算机视觉
• 神经科学是一个神经科学.

背景情况:

• 视觉搜索是人类互动的基础.
• 混合搜索任务需要找到多个项目,这对当前的模型构成挑战.
• 现有的模型缺乏在自然环境中进行混合搜索的模拟能力.

研究的目的:

• 开发和验证用于混合视觉搜索的增强神经网络模型.
• 在混合搜索任务中密切复制人类眼睛运动行为.
• 推进对复杂自然场景中的视觉搜索过程的理解.

主要方法:

• 在贝叶斯框架内开发了一个增强的神经网络限最小化 (nnELM) 模型.
• 利用混合搜索眼动 (HSEM) 数据集,包括广泛的人类眼动数据.
• 实施了调整后方概率分布,外围可见性和模型内存的策略.

主要成果:

• nnELM模型成功地处理了自然场景中的混合搜索.
• 调整外围可见性提高了早期搜索效率,与人类的性能相匹配.
• 限制模型内存影响了更长的搜索,反映了人类的搜索行为.
• 对现有数据和基准数据的模型验证证实了它的有效性.

结论:

• 增强的nnELM模型提供了人类混合视觉搜索的强大模拟.
• 该模型复制人类行为的能力为认知搜索机制提供了洞察力.
• 这项工作推进了视觉搜索的计算模型及其可解释性.