[論文レビュー] Modelling fixation locations using spatial point processes

Simon Barthelmé, Hans A. Trukenbrod+2 more|arXiv (Cornell University)|Jul 10, 2012

Geographic Information Systems Studies被引用数 3

ひとこと要約

この論文は、眼動画像データにおける凝視位置をモデル化するための空間点過程フレームワークを提案する。凝視を確率的点過程の実現とみなすことにより、画像特徴やバイアス（例：中央バイアス）が凝視位置をどのように予測するかをより正確に定量化できる。本研究では、AUC や領域カウントといった一般的な指標が、このフレームワーク下で数学的に同等であることを示し、視覚的注目度モデル分野における既存手法を統合的かつ明確化する。

ABSTRACT

Whenever eye movements are measured, a central part of the analysis has to do with where subjects fixate, and why they fixated where they fixated. To a first approximation, a set of fixations can be viewed as a set of points in space: this implies that fixations are spatial data and that the analysis of fixation locations can be beneficially thought of as a spatial statistics problem. We argue that thinking of fixation locations as arising from point processes is a very fruitful framework for eye movement data, helping turn qualitative questions into quantitative ones. We provide a tutorial introduction to some of the main ideas of the field of spatial statistics, focusing especially on spatial Poisson processes. We show how point processes help relate image properties to fixation locations. In particular we show how point processes naturally express the idea that image features' predictability for fixations may vary from one image to another. We review other methods of analysis used in the literature, show how they relate to point process theory, and argue that thinking in terms of point processes substantially extends the range of analyses that can be performed and clarify their interpretation.

研究の動機と目的

• 凝視位置を空間点過程として定式化することで、眼動画像データの厳密な統計的解析を可能にする。
• 画像特徴やバイアスを用いた凝視位置予測に用いられる既存手法を統合的かつ明確化する。
• 標準的な性能指標（AUC、領域カウント）が点過程理論から自然に導かれることを示す。
• 強度関数と潜在場とを関連付けることで、視覚的注目度モデルに原理的統計的基盤を提供する。
• トップダウンおよびボトムアップ要因が凝視選択に与える影響を、点過程フレームワーク内でモデル化・分離可能であることを示す。

提案手法

• 凝視位置を強度関数 λ(s) を持つ空間点過程の実現とみなす。ここで λ(s) は位置 s における凝視の期待密度を表す。
• 非一様ポアソン過程（IPP）をベースラインモデルとして用い、強度 λ(s) が空間的に変化する注目度を符号化する。
• ベイズの定理を用いて、凝視された場所とされない場所を分類する最適な意思決定ルールを導出。最適性は尤度比 λ(s)/ϕ(s) であることを示す。
• AUC性能を最小体積集合の期待値として再解釈。AUC が点過程の精度を測る指標であることを示す。
• すべてのカバレッジ閾値 q ∈ [0,1] について統合することで、領域カウントと AUC が同等であることを示し、同じ積分表現に還元されることを示す。
• 背景強度 ϕ(s) をモデル化し、m(s)/ϕ(s) もしくは log m(s) − log ϕ(s) を性能評価に用いることで、中央バイアスの補正を実施する。

実験結果

リサーチクエスチョン

• RQ1 凝視位置を空間点過程として形式的にモデル化することで、眼動画像データの統計的解釈をどのように向上させられるか？
• RQ2 注目度予測において広く用いられる指標（AUC と領域カウント）の理論的関係は何か？
• RQ3 ボトムアップの画像特徴（例：コントラスト、エッジ）とトップダウンのバイアス（例：中央バイアス）が、凝視位置選択にどのように共同で影響を与えるか？
• RQ4 古典的注目度モデルは、点過程フレームワークを用いて再解釈・改善可能か？
• RQ5 背景分布が非一様である場合に、注目度マップの性能評価をどのようにしてより頑健にするか？

主な発見

• 非凝視位置を一様にサンプリングする条件下で、AUC の性能指標は最小体積集合の相対体積の積分 ∫₀¹ V(α) dα と数学的に同等である。
• 領域カウントと AUC は、領域選択の閾値をすべての可能な値について統合すると、両者とも同じ積分表現に還元される。
• 点過程フレームワーク下では、凝視を予測する最適な注目度マップは、単調変換を除いて強度関数 λ(s) そのものである。
• 非凝視位置が非一様な背景（例：中央バイアスによる）から抽出される場合、背景強度 ϕ(s) を補正しないと AUC スコアが誤って高くなることがある。
• m(s)/ϕ(s) もしくは log m(s) − log ϕ(s) を用いた背景強度補正により、注目度マップの性能評価がより信頼性が高くなる。
• 本フレームワークは古典的手法を統合的かつ明確化する：パッチベース分析と注目度マップ評価は、点過程理論の視点から見れば、最適な意味を持つ。