扫视扫描路径预测的评估：主观评估数 据库和基于循环神经网络的度量 记录

记录一

随着势头的不断增强，扫视预测逐渐成 为培养视觉注意力的热门研究课题。在扫视预测中，每个模型通常生成一个覆盖一系列注视点的扫描路径，以模拟动态扫视行为。因此， 通常通过计算预测的扫描路径与所有人类扫描 路径之间的相似性来评估模型。

记录二

1. 评估预测准确性：豪斯多夫距离（HD）和最大均值差异（MMD）是衡量预测路径与参考路径差异的关键指标。豪斯多夫距离衡量了两个路径集合之间最大不匹配程度，而最大均值差异则通过再生核希尔伯特空间（RKHS）中的均值嵌入来比较两个分布的差异。通过这些指标，研究人员可以评估算法的准确性，并据此进行调整。

2. 相似度评估：扫描路径相似度（SS）指标，如SS-All和SS-AUC，提供了预测路径与参考路径在整体上相似性的评价。这些指标有助于判断算法是否能够捕捉到观察者的视觉注意力模式，从而进行必要的优化。

3. 特征重要性分析：通过比较不同特征对相似度评估结果的影响，如位置、幅度、方向和形状，研究人员可以识别出哪些特征对于视觉追踪最为关键，并据此优化特征提取过程。

4. 性能优化：通过分析不同指标下的表现（如HD-AUC、MMD-AUC），可以识别出算法在哪些方面需要改进，例如，如果发现HD-AUC值较大，说明预测路径与参考路径差异较大，需要优化算法以减少这种差异。

5. 策略调整：搜索结果提到，可以通过改变多样性策略中的任何一种，评估选择性搜索的性能指标。例如，通过改变颜色空间、相似度度量标准或阈值初始化原始区域，可以提高召回率并增加候选区域，从而优化算法性能。

6. 模型训练与测试：通过最小化训练数据和测试数据之间的MMD，可以使得模型在不同分布的数据上表现更一致，这对于模型的泛化能力至关重要。

越大越好的指标：

1. 扫描路径相似度（Scanpath Similarity, SS）：这个指标衡量预测扫描路径与参考扫描路径的相似程度。SS值越高，表示预测路径与参考路径越相似，因此SS值越大越好。

   • 例如：SS-All、SS-AUC、sAUC

2. 曲线下面积（Area Under the Curve, AUC）：在某些情况下，如接收者操作特征（ROC）曲线，AUC值越高表示模型的分类性能越好。但在您提供的数据中，AUC似乎用于表示形状相似度，这种情况下，较高的AUC值也表示更好的相似度。

   • 例如：HD-AUC、MMD-AUC、AUC

越小越好的指标：

1. 豪斯多夫距离（Hausdorff Distance, HD）：这个指标衡量两个路径集合之间最大的不匹配程度。HD值越小，表示预测路径与参考路径之间的差异越小，因此HD值越小越好。

   • 例如：HD-2、HD-3、HD-4、HD-5

2. 最大均值差异（Maximum Mean Discrepancy, MMD）：这个指标衡量两个分布之间的差异。MMD值越小，表示预测分布与参考分布之间的差异越小，因此MMD值越小越好。

   • 例如：MMD-2、MMD-3、MMD-4、MMD-5

3. 欧几里得距离（Euclidean Distance）：通常用于衡量两点之间的直线距离。在您提供的数据中，可能以“Position”表示。欧几里得距离越小，表示预测位置与参考位置之间的差异越小，因此越小越好。

4. 能量均值差异（Energy Mean Difference, EMD）：这个指标衡量两个概率分布之间的差异。EMD值越小，表示预测分布与参考分布之间的差异越小，因此EMD值越小越好。

记录三

Metric Scanpath-Based Saliency Time-Delay Embedding 是一个结合视觉扫描路径和时间延迟嵌入的计算模型࿰