Tracking
Dotaz
Zobrazit nápovědu
... OBSAH -- ÚVOD 5 -- 1 EYE-TRACKING 7 -- 1.1 Charakteristika lidského oka 7 -- 1.2 Pohyby očí - fixace ... ... a sakády n -- 1.3 Vývoj metod sledování pohybu očí 13 -- 2 VYUŽITÍ EYE-TRACKINGU 23 -- 2.1 Interaktivní ... ... využití eye-trackingu 24 -- 2.2 Diagnostické využití eye-trackingu 25 -- 3 KOGNITIVNÍ KARTOGRAFIE 39 ... ... v kartografii 52 -- 3.5 Kombinace kognitivní kartografie a psychologie 66 -- 4 EYE-TRACKING LABORATOŘ ... ... A EYE-TRACKERY 81 -- 4.1 Vybavení eye-tracking laboratoře 82 -- 4.2 SMI RED 250 82 -- 4.3 GazePoint ...
1. vydání 247 stran : ilustrace (převážně barevné), mapy, plány ; 25 cm
Příručka, která se zaměřuje na eye-tracking při hodnocení a optimalizaci map, zejména na praktickou stránku výzkumu. Určeno odborné veřejnosti.; Publikace nabízí komplexní pohled na využití sledování pohybu očí při hodnocení a optimalizaci map. Čtenáři se v ní dozvědí teoretické základy, na kterých technologie eye-tracking funguje, seznámí se s různými způsoby měření pohybu očí a rovněž získají základní přehled o oblastech, ve kterých je eye-tracking využíván, samozřejmě s důrazem na kartografii. Značná část knihy je zaměřena prakticky. Nejprve je popsáno doporučené vybavení eye-tracking laboratoře a jsou představeny tři typy eye-trackerů. Následují kapitoly zaměřené na přípravu, design a průběh experimentu, pre-processing, validaci a čištění dat, a konečně na samotné vyhodnocení naměřených pohybů očí. V těchto kapitolách autor vycházel z vlastních zkušeností, jež se snažil prostřednictvím této publikace předat dalším výzkumníkům.
- MeSH
- automatizované zpracování dat MeSH
- geografická kartografie MeSH
- kognitivní věda MeSH
- pohyby očí MeSH
- technologie sledování pohybu očí MeSH
- výzkum MeSH
- zrak MeSH
- Publikační typ
- příručky MeSH
- Konspekt
- Geodezie. Kartografie
- NLK Obory
- věda a výzkum
- neurovědy
Tato eye-trackingová studie byla navržena tak, aby byla schopna zachytit efekt umělecké transformace fotografických předloh do maleb a její vliv na okulomotorické chování divákova pohledu. Unikátní set stimulů sestával z maleb a fotografií, které sloužily autorům obrazů jako obrazový zdroj pro jejich tvorbu. Mezi zdrojovými fotografiemi a malbou byly pomocí statistické analýzy naměřených dat nalezeny signifikantní rozdíly v bazálních očních pohybech (BOP) a celkově prostudované ploše stimulu. U maleb byla rychlost očních pohybů vyšší a celkový pohled diváka byl rozptýlenější. Na modulaci BOP se kromě celkové komplexity malby podílela i míra divákovy umělecké expertízy. Dále byly nalezeny signifikantní rozdíly ve srovnání fixačních map maleb oproti fotografiím. Tyto rozdíly mezi fixačními mapami mohou být interpretovány jako index umělecké transformace fotografie do malby, obsahující i složku umělecké intence. Ve světle teoretického pozadí umělecké intence, která v sobě zahrnuje i motorické akty umělce, je představena možnost použít záznam okulomotorického chování jako ukazatele divákovy inference umělecké intence. Tato možnost je ilustrována na třech případových studiích. Článek je v anglickém jazyce.
This eye-tracking study was designed to analyze the effect of artistic transformation of a photographic image to a painting on oculomotor behavior. The study employed unique set of stimuli, consisting of paintings and photographs used by authors of the paintings as direct source images. First, the differences in basic eye movement measurements and the explored area were investigated. In paintings, viewers moved their eyes quicker, and viewing was more dispersive. Second, relationship between the basic eye movement measurements and stylistic features (complexity, style expressivity and dynamism) as well as the top-down factor of expertise were analyzed. Furthermore, fixation maps of paintings versus photographs were compared and significant shifts were identified. The difference in fixation maps can be interpreted as a behavioral index of artistic transformations, including artist’s intention (AI). In the light of the theoretical background of AI that includes even motor acts, the idea of using oculomotor behavior as an index of viewer’s inference of AI was introduced.
- Klíčová slova
- fixace, fixační mapy, transformace, modelování, styl, hodnocení,
- MeSH
- fotografování * MeSH
- lidé MeSH
- malířství * psychologie MeSH
- pohyby očí fyziologie MeSH
- technologie sledování pohybu očí přístrojové vybavení statistika a číselné údaje MeSH
- umění MeSH
- Check Tag
- lidé MeSH
- mužské pohlaví MeSH
- ženské pohlaví MeSH
- Publikační typ
- kazuistiky MeSH
- pozorovací studie MeSH
The Cell Tracking Challenge is an ongoing benchmarking initiative that has become a reference in cell segmentation and tracking algorithm development. Here, we present a significant number of improvements introduced in the challenge since our 2017 report. These include the creation of a new segmentation-only benchmark, the enrichment of the dataset repository with new datasets that increase its diversity and complexity, and the creation of a silver standard reference corpus based on the most competitive results, which will be of particular interest for data-hungry deep learning-based strategies. Furthermore, we present the up-to-date cell segmentation and tracking leaderboards, an in-depth analysis of the relationship between the performance of the state-of-the-art methods and the properties of the datasets and annotations, and two novel, insightful studies about the generalizability and the reusability of top-performing methods. These studies provide critical practical conclusions for both developers and users of traditional and machine learning-based cell segmentation and tracking algorithms.
Tracking motile cells in time-lapse series is challenging and is required in many biomedical applications. Cell tracks can be mathematically represented as acyclic oriented graphs. Their vertices describe the spatio-temporal locations of individual cells, whereas the edges represent temporal relationships between them. Such a representation maintains the knowledge of all important cellular events within a captured field of view, such as migration, division, death, and transit through the field of view. The increasing number of cell tracking algorithms calls for comparison of their performance. However, the lack of a standardized cell tracking accuracy measure makes the comparison impracticable. This paper defines and evaluates an accuracy measure for objective and systematic benchmarking of cell tracking algorithms. The measure assumes the existence of a ground-truth reference, and assesses how difficult it is to transform a computed graph into the reference one. The difficulty is measured as a weighted sum of the lowest number of graph operations, such as split, delete, and add a vertex and delete, add, and alter the semantics of an edge, needed to make the graphs identical. The measure behavior is extensively analyzed based on the tracking results provided by the participants of the first Cell Tracking Challenge hosted by the 2013 IEEE International Symposium on Biomedical Imaging. We demonstrate the robustness and stability of the measure against small changes in the choice of weights for diverse cell tracking algorithms and fluorescence microscopy datasets. As the measure penalizes all possible errors in the tracking results and is easy to compute, it may especially help developers and analysts to tune their algorithms according to their needs.
Current diagnostic methods for dyslexia primarily rely on traditional paper-and-pencil tasks. Advanced technological approaches, including eye-tracking and artificial intelligence (AI), offer enhanced diagnostic capabilities. In this paper, we bridge the gap between scientific and diagnostic concepts by proposing a novel dyslexia detection method, called INSIGHT, which combines a visualisation phase and a neural network-based classification phase. The first phase involves transforming eye-tracking fixation data into 2D visualisations called Fix-images, which clearly depict reading difficulties. The second phase utilises the ResNet18 convolutional neural network for classifying these images. The INSIGHT method was tested on 35 child participants (13 dyslexic and 22 control readers) using three text-reading tasks, achieving a highest accuracy of 86.65%. Additionally, we cross-tested the method on an independent dataset of Danish readers, confirming the robustness and generalizability of our approach with a notable accuracy of 86.11%. This innovative approach not only provides detailed insight into eye movement patterns when reading but also offers a robust framework for the early and accurate diagnosis of dyslexia, supporting the potential for more personalised and effective interventions.
- MeSH
- čtení MeSH
- dítě MeSH
- dyslexie * patofyziologie diagnóza klasifikace MeSH
- lidé MeSH
- neuronové sítě * MeSH
- oční fixace * fyziologie MeSH
- pohyby očí fyziologie MeSH
- technologie sledování pohybu očí * MeSH
- Check Tag
- dítě MeSH
- lidé MeSH
- mužské pohlaví MeSH
- ženské pohlaví MeSH
- Publikační typ
- časopisecké články MeSH
MOTIVATION: Automatic tracking of cells in multidimensional time-lapse fluorescence microscopy is an important task in many biomedical applications. A novel framework for objective evaluation of cell tracking algorithms has been established under the auspices of the IEEE International Symposium on Biomedical Imaging 2013 Cell Tracking Challenge. In this article, we present the logistics, datasets, methods and results of the challenge and lay down the principles for future uses of this benchmark. RESULTS: The main contributions of the challenge include the creation of a comprehensive video dataset repository and the definition of objective measures for comparison and ranking of the algorithms. With this benchmark, six algorithms covering a variety of segmentation and tracking paradigms have been compared and ranked based on their performance on both synthetic and real datasets. Given the diversity of the datasets, we do not declare a single winner of the challenge. Instead, we present and discuss the results for each individual dataset separately. AVAILABILITY AND IMPLEMENTATION: The challenge Web site (http://www.codesolorzano.com/celltrackingchallenge) provides access to the training and competition datasets, along with the ground truth of the training videos. It also provides access to Windows and Linux executable files of the evaluation software and most of the algorithms that competed in the challenge.
