Show simple item record

Modelling eye movements during Multiple Object Tracking
dc.contributor.advisorLukavský, Jiří
dc.creatorDěchtěrenko, Filip
dc.date.accessioned2017-05-07T04:40:50Z
dc.date.available2017-05-07T04:40:50Z
dc.date.issued2012
dc.identifier.urihttp://hdl.handle.net/20.500.11956/42183
dc.description.abstractLidé musí sledovat v každodenních situacích více objektů zároveň (např. řízení automobilu nebo kolektivní sporty). Sledování více objektů (MOT) věrohodně simuluje sledování více objektů v laboratorních podmínkách. Když sledujeme cíle v úloze s mnoha dalšími objekty ve scéně, stává se obtížné rozlišit objekty na periférii (crowding). Přestože sledování by mohlo být prováděno pouze pomocí pozornosti, je zajímavá otázka, jakým způsobem lidé plánují své oční pohyby při sledování. V naší studii jsme provedli MOT experiment, ve kterém jsme účastníkům předložili opakovaně několik úloh s proměnlivým počtem distraktorů, nahrávali jsme oční pohyby a měřili jsme konzistenci očních pohybů pomocí Normalized scanpath saliency (NSS) metriky. Vytvořili jsme několik analytických strategií, které se vyhýbají crowdingu a porovnali jsme je s očními daty. Kromě analytických modelů jsme trénovali neuronové sítě na předpovídání očních pohybů v MOT úlohách. Výkon navrhovaných modelů a neuronových sítí jsme vyhodnocovali na datech z nového MOT experimentu. Analytické modely vysvětlovaly variabilitu očních pohybů dobře (výsledky jsou srovnatelné s intraindividuálními rozdíly); předpovědi založené na neuronových sítích byly méně úspěšné.cs_CZ
dc.description.abstractIn everyday situations people have to track several objects at once (e.g. driving or collective sports). Multiple object tracking paradigm (MOT) plausibly simulate tracking several targets in laboratory conditions. When we track targets in tasks with many other objects in scene, it becomes difficult to discriminate objects in periphery (crowding). Although tracking could be done only using attention, it is interesting question how humans plan their eye movements during tracking. In our study, we conducted a MOT experiment in which we presented participants repeatedly several trials with varied number of distractors, we recorded eye movements and we measured consistency of eye movements using Normalized scanpath saliency (NSS) metric. We created several analytical strategies employing crowding avoidance and compared them with eye data. Beside analytical models, we trained neural networks to predict eye movements in MOT trial. The performance of the proposed models and neuron networks was evaluated in a new MOT experiment. The analytical models explained variability of eye movements well (results comparable to intraindividual noise in the data); predictions based on neural networks were less successful.en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectmodelycs_CZ
dc.subjectoční pohybycs_CZ
dc.subjectsledování více objektůcs_CZ
dc.subjectneuronové sítěcs_CZ
dc.subjectmodelsen_US
dc.subjecteye movementsen_US
dc.subjectmultiple object trackingen_US
dc.subjectneural networksen_US
dc.titleModelling eye movements during Multiple Object Trackingen_US
dc.typediplomová prácecs_CZ
dcterms.created2012
dcterms.dateAccepted2012-09-03
dc.description.departmentDepartment of Software and Computer Science Educationen_US
dc.description.departmentKatedra softwaru a výuky informatikycs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId116513
dc.title.translatedModelling eye movements during Multiple Object Trackingcs_CZ
dc.contributor.refereeToth, Peter Gabriel
dc.identifier.aleph001498333
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineTheoretical Computer Scienceen_US
thesis.degree.disciplineTeoretická informatikacs_CZ
thesis.degree.programComputer Scienceen_US
thesis.degree.programInformatikacs_CZ
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csTeoretická informatikacs_CZ
uk.degree-discipline.enTheoretical Computer Scienceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVelmi dobřecs_CZ
thesis.grade.enVery gooden_US
uk.abstract.csLidé musí sledovat v každodenních situacích více objektů zároveň (např. řízení automobilu nebo kolektivní sporty). Sledování více objektů (MOT) věrohodně simuluje sledování více objektů v laboratorních podmínkách. Když sledujeme cíle v úloze s mnoha dalšími objekty ve scéně, stává se obtížné rozlišit objekty na periférii (crowding). Přestože sledování by mohlo být prováděno pouze pomocí pozornosti, je zajímavá otázka, jakým způsobem lidé plánují své oční pohyby při sledování. V naší studii jsme provedli MOT experiment, ve kterém jsme účastníkům předložili opakovaně několik úloh s proměnlivým počtem distraktorů, nahrávali jsme oční pohyby a měřili jsme konzistenci očních pohybů pomocí Normalized scanpath saliency (NSS) metriky. Vytvořili jsme několik analytických strategií, které se vyhýbají crowdingu a porovnali jsme je s očními daty. Kromě analytických modelů jsme trénovali neuronové sítě na předpovídání očních pohybů v MOT úlohách. Výkon navrhovaných modelů a neuronových sítí jsme vyhodnocovali na datech z nového MOT experimentu. Analytické modely vysvětlovaly variabilitu očních pohybů dobře (výsledky jsou srovnatelné s intraindividuálními rozdíly); předpovědi založené na neuronových sítích byly méně úspěšné.cs_CZ
uk.abstract.enIn everyday situations people have to track several objects at once (e.g. driving or collective sports). Multiple object tracking paradigm (MOT) plausibly simulate tracking several targets in laboratory conditions. When we track targets in tasks with many other objects in scene, it becomes difficult to discriminate objects in periphery (crowding). Although tracking could be done only using attention, it is interesting question how humans plan their eye movements during tracking. In our study, we conducted a MOT experiment in which we presented participants repeatedly several trials with varied number of distractors, we recorded eye movements and we measured consistency of eye movements using Normalized scanpath saliency (NSS) metric. We created several analytical strategies employing crowding avoidance and compared them with eye data. Beside analytical models, we trained neural networks to predict eye movements in MOT trial. The performance of the proposed models and neuron networks was evaluated in a new MOT experiment. The analytical models explained variability of eye movements well (results comparable to intraindividual noise in the data); predictions based on neural networks were less successful.en_US
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra softwaru a výuky informatikycs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV