最优视觉搜索与高度启发式决策规则
本文提出了第一个反向强化学习模型(IRL)模型，使用动态的上下文信念地图来学习人类视觉搜索中的内部奖励函数和策略，并且为了训练和评估我们的IRL模型，我们创建了COCO-Search18数据集，通过提取学习出的奖励地图，可以了解到目标依赖型背景的学习。
May, 2020
本文研究了应用强化学习方法（Q-network）近似理想搜索者（IS）的眼动规划能力，并发现相应的搜索策略与理想搜索者的搜索策略一致，展示了该方法在实际医学图像场景中测量优化眼动规划的潜力。
Jan, 2022
本文提出了一种基于FFMs的数据驱动计算模型，用于解决人类搜索终止问题以及预测在图像中搜索不存在目标时人们的扫描路径，通过将FFMs集成为状态表示在逆强化学习中将其作为方法，实验结果在COCO-Search18数据集上提高了目标缺失搜索行为的预测水平。
Jul, 2022
全球优先效应是指视觉刺激的整体属性优先于局部属性的处理，本研究通过Meta分析研究探索了不同Perceptual Field Variables对全球优势的影响，结果表明Congruency和Size对全球优势有显著影响，Sparsity影响较小，任务范式对PFV的影响也显著，实验结果对日常人类行为具有广泛应用价值。
Jul, 2023
通过实验证明人类视觉搜索行为并建立了第一个基于SNN的视觉搜索模型，该模型结合了人工视网膜结构与尖峰特征提取、记忆和注视决策模块，通过群体编码实现快速高效的注视决策，能够学习类似人类或接近最佳的凝视策略，在搜索速度和准确性方面优于人类，并通过短注视决策延迟和稀疏激活实现高能效性。这一工作将神经科学和机器学习中的视觉建模联系起来，并为开发更高能效的计算机视觉算法提供了启示。
Oct, 2023
通过对视觉搜索中的各种现象的研究，本文解析了人类视觉表征和过程的本质，并提出了一种计算模型（CASPER），用于解释视觉搜索中的一系列现象，其中包括关系搜索。通过实验证明CASPER模型可以解释关系刺激中搜索功能的负加速度，并揭示视觉系统利用绕过关系处理的新兴特征。
Oct, 2023
视觉被广泛理解为一个推理问题。本文介绍了两种对推理过程的对立概念，分别对生物视觉和机器视觉工程有影响。视觉可以被描述为一种主要是前馈式、区分式的推理过程，通过滤除视觉信息中的无关变化并以适合于认知和行为控制下游功能的格式来表示行为上相关的信息，由感官数据驱动，并且感知是直接的。另一种推理的概念是赫姆霍兹的观点，即视觉是通过对引起视觉的因果过程的生成模型进行证据评估的推理过程。原始证据通过对感觉数据的自上而下的预测来调查其可信度。作者包括科学家根植于这两种概念，并积极尝试克服它们之间可能是错误的二元对立，并在理论和实验证据上探讨另一种视角。灵长类动物大脑采用一种未知的算法，可能结合了这两种概念的优势。我们解释和阐明术语，回顾关键的实验证据，并提出了一个超越二元对立的实证研究计划，为揭示灵长类动物视觉的神秘混合算法铺平了道路。
Jan, 2024
本研究解决了对象分割与凝视行为通常被视为独立过程的问题，提出了一种基于机器人信息处理模式的机制模型来模拟动态场景中的这两个过程。研究表明，该模型能有效预测人类的自由观看行为，且不确定性促进了平衡探索，而语义对象线索在形成对象基础注意力的感知单元中发挥着关键作用。
Aug, 2024