本研究探讨了视觉亮点在指导无人机监测任务中用户注意力方面的作用,采用了用于观察的模拟界面。实验结果显示,这种亮点能够显著加快对应区域的视觉注意力。基于此观察,我们利用亮点中的时空信息开发了一种新的显著性模型:亮点驱动显著性模型 (HISM),用于推断亮点条件下的视觉注意力变化。我们的发现表明,视觉亮点在增强用户注意力方面非常有效,并展示了将这些线索纳入显著性预测模型的潜力。
May, 2024
通过一系列基于众包的实验,研究如何在使用机器学习辅助的文本分类任务中使用突出显示来提高效率和准确性,发现突出显示可以减少分类的工作量,但不能提高准确性,低质量的突出显示反而会降低准确性。
Sep, 2019
本文研究信息提取方法,提出利用人工验证的弱监督标记方法,结合人工与计算机快速处理,以实现在精度要求高的情境下避免纯手工提取耗时过长的难题,并在犯罪司法数据集上实证其优越性。
Feb, 2023
利用 “teacher-student” 训练范式可以补充有限数量的人类提供的注释,使得在构建大型数据集时可以生成任意数量的模型生成的图像注释,并且在四种模型架构和两种显著性估计方法中均表现出优异的性能。
Jun, 2023
通过人类视觉搜索任务实验研究,发现使用搭载 DL 专家系统的人更容易发现目标,但该效果仅适用于高感知能力的人。同时,DL 系统的应用会减少误报率,增加低感知能力人的试次,促进人类观察者在 3 次注视之内锁定目标。
Apr, 2019
通过使用语义信息,可以在场景探索和视觉搜索任务中有效地完成视觉任务,从而证明了语义模型在视觉任务中的优越性。
Apr, 2024
本文介绍了在 DeepMind Lab 的三维迷宫中,通过训练代理使用原始图像以及与基于实时谱残差技术生成的显著性地图相叠加的凝视图像,探索利用人类注意力聚焦来进行决策的有效性,并研究了在环境噪声下的迁移学习表现。
Jul, 2018
本文旨在通过为二分类任务提供人机学习界面,使人类注释者能够利用反事实例来补充标准的二分类标签,以缓解人类注释者适应传统标签所施加的限制。
Mar, 2024
本研究提出了一种 “合作学习” 方法,通过不同机器之间的共享中间级视觉属性信息,改善计算机视觉和机器学习领域中不同层次下的学习表现,尤其适用于存在隐私,安全性和带宽限制等情形下。
May, 2017
融入人类感知智能到模型训练能增强在难度较高的生物特征任务中的泛化能力,如攻击检测和合成样本检测。本文研究了不同的显著性粒度水平,通过使用简单但有效的显著性后处理技术,在数个卷积神经网络中实现了增强的攻击检测和合成人脸检测的泛化能力。