与任务相关的目光分类的象征性方法
概括
这项研究提出了一个新的符号框架,用于对视觉任务的眼睛跟踪数据进行分类. 这种方法可以实现与深度学习模型相比较的性能,而无需使用黑子方法.
科学领域:
- 计算机视觉 计算机视觉
- 人与计算机的交互
- 机器学习 机器学习
背景情况:
- 从眼睛跟踪数据中准确分类视觉任务对于理解用户行为至关重要.
- 现有的方法通常依赖于复杂的深度学习模型,限制了可解释性和稳定性.
研究的目的:
- 为任务相关的目光分类引入一个新的象征框架.
- 开发一种可解释且可靠的距离度量,用于眼球追踪记录.
- 为了使视觉任务的准确聚类,没有黑盒模型.
主要方法:
- 将多变量眼球追踪特征信号编码成象征性的字符串序列.
- 开发基于符号表示的距离度量.
- 将框架应用于ETRA 2019任务聚类数据集.
主要成果:
- 符号表示允许准确的视觉任务集群.
- 这种方法表现出与最先进的深度学习方法相当的性能.
- 该方法为黑盒模型提供了一个可解释的替代方案.
结论:
- 符号编码为凝视分类提供了一个强大的和可解释的框架.
- 这种方法在eye-tracking研究中促进了有效的任务聚类.
- 该方法为深度学习提供了可行的替代方案,用于分析视觉任务数据.


