HyperAIHyperAI

Command Palette

Search for a command to run...

قوانين الجاذبية لتركيز الانتباه

Stefano; Gori Dario; Melacci Zanca Marco

الملخص

إن فهم الآليات الكامنة وراء تركيز الانتباه في مشهد بصري يُعدّ موضوعًا ذا أهمية كبيرة في مجالات الإدراك البصري والرؤية الحاسوبية. في هذه الورقة، نُقدّم نموذجًا لمسار المسح (scanpath) كعملية ديناميكية يمكن تفسيرها على أنها قانون تغيري مرتبط بطريقة ما بالآليات الميكانيكية، حيث يكون تركيز الانتباه عرضة لحقل جاذبي. وترتبط الكتلة الافتراضية الموزعة التي تُحفّز حركات العين بوجود التفاصيل والحركة في الفيديو. على عكس معظم النماذج الحالية، لا يُقدّر النهج المقترح خريطة الجاذبية (saliency map) بشكل مباشر، بل تُمكّن تنبؤات حركات العين من دمج موضع الاهتمام بمرور الزمن. كما يُدعم في نفس النموذج الديناميكي عملية تثبيط العودة (inhibition-of-return) بهدف محاكاة البقع الثابتة (fixations) والاندفاعات السريعة (saccades). وتمّ تكامل المعادلات التفاضلية للحركة في النموذج المقترح رقميًا لمحاكاة مسارات المسح على الصور والفيديوهات. وعرضت نتائج تجريبية لمهام تحديد الجاذبية وتنبؤ مسارات المسح على مجموعة واسعة من مجموعات البيانات لدعم النظرية. وقد تم تحقيق أداءً متميزًا على المستوى العالي، خاصة في تنبؤ مسارات المسح، وهو الهدف الأساسي للنموذج المقترح.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp
قوانين الجاذبية لتركيز الانتباه | مستندات | HyperAI