计算机科学 > 计算机视觉与模式识别
[提交于 2025年5月6日
]
标题: 一个关于显性和隐性视觉注意力的主动推理模型
标题: An Active Inference Model of Covert and Overt Visual Attention
摘要: 选择性地关注相关刺激并过滤掉干扰对于处理复杂高维感官输入的代理来说至关重要。 本文通过主动推理框架引入了一个关于显性和隐性视觉注意的模型,利用感觉精度的动态优化来最小化自由能。 该模型根据当前环境信念和感官输入确定视觉感官精度,影响显性和隐性模式下的注意力分配。 为了测试模型的有效性,我们分析了它在波斯纳提示任务和使用二维视觉数据的简单目标聚焦任务中的行为。 测量反应时间以研究外源性和内源性注意力以及有效和无效提示之间的相互作用。 结果显示,外源性和有效提示通常比内源性和无效提示导致更快的反应时间。 此外,该模型表现出类似于返回抑制的行为,在特定的提示-目标启动异步间隔后,先前注意的位置会受到抑制。 最后,我们调查了显性注意的不同方面,结果显示不自主的反射性扫视比有意的扫视发生得更快,但代价是适应性较差。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.