[论文解读] 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 3

一句话总结

本文提出一种空间点过程框架，用于建模眼动数据中的注视位置，将注视点视为随机点过程的实现，以更精确地量化图像特征和偏差（例如中心偏好）对注视位置的预测能力。结果表明，AUC 和区域计数等常用指标在此框架下数学等价，统一并澄清了视觉显著性建模中的现有方法。

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.

研究动机与目标

• 将注视位置建模为空间点过程，以实现对眼动数据的严格统计分析。
• 统一并澄清利用图像特征和偏差预测注视位置的现有方法。
• 证明标准性能指标（AUC、区域计数）可自然地从点过程理论中推导而出。
• 通过将显著性模型与强度函数和潜变量场关联，为其提供严谨的统计基础。
• 展示如何在点过程框架内建模并解耦自上而下与自下而上的注视选择影响。

提出的方法

• 将注视位置建模为具有强度函数 λ(s) 的空间点过程，表示位置 s 处注视点的期望密度。
• 以非齐次泊松过程（IPP）作为基线模型，其中强度函数 λ(s) 编码空间变化的显著性。
• 基于贝叶斯规则推导出分类注视点与非注视点的最优决策规则，证明似然比 λ(s)/ϕ(s) 为最优。
• 将AUC性能重新解释为最小体积集合的期望，表明AUC衡量了点过程的精确性。
• 通过在所有覆盖阈值 q ∈ [0,1] 上积分，证明区域计数与AUC的等价性，二者导出相同的积分表达式。
• 通过建模背景强度 ϕ(s) 来校正中心偏差，并在性能评估中使用 m(s)/ϕ(s) 或 log m(s) − log ϕ(s)。

实验结果

研究问题

• RQ1 如何将注视位置正式建模为空间点过程，以提升眼动数据的统计解释能力？
• RQ2 在显著性预测中，广泛使用的指标（如AUC与区域计数）之间存在何种理论关系？
• RQ3 自下而上的图像特征（如对比度、边缘）与自上而下的偏差（如中心偏好）如何共同影响注视位置的选择？
• RQ4 经典显著性模型能否通过点过程框架被重新解释并得到改进？
• RQ5 如何使显著性图的性能评估更具鲁棒性，特别是在背景分布非均匀时？

主要发现

• 当非注视点位置在均匀分布下采样时，AUC性能指标在数学上等价于最小体积集合相对体积的积分，即 ∫₀¹ V(α) dα。
• 当区域选择阈值在所有可能值上积分时，区域计数与AUC等价，二者均简化为同一积分表达式。
• 在点过程框架下，预测注视点的最优显著性图是强度函数 λ(s)，最多允许单调变换。
• 当非注视点位置来自非均匀背景（例如由于中心偏好）时，若不使用背景强度 ϕ(s) 进行校正，AUC分数可能被人为夸大。
• 通过 m(s)/ϕ(s) 或 log m(s) − log ϕ(s) 校正背景强度，可获得更可靠的显著性图性能评估。
• 该框架统一并澄清了经典方法：基于补丁的分析与显著性图评估在点过程理论的视角下具有最优意义。