Key points are not available for this paper at this time.
O rastreamento ocular tradicional requer hardware especializado, o que significa que coletar dados de olhar de muitos observadores é caro, tedioso e demorado. Portanto, os conjuntos de dados de previsão de saliência existentes são ordens de magnitude menores do que conjuntos de dados típicos para outras tarefas de reconhecimento de visão. O pequeno tamanho desses conjuntos de dados limita o potencial para treinar algoritmos que consomem muitos dados e causa overfitting na avaliação de benchmarks. Para abordar essa deficiência, este artigo introduz um sistema de rastreamento ocular baseado em webcam que suporta rastreamento ocular em grande escala, crowdsourced, implantado no Amazon Mechanical Turk (AMTurk). Através de uma combinação de design cuidadoso de algoritmos e protocolos de jogos, nosso sistema obtém dados de rastreamento ocular para previsão de saliência comparáveis aos dados coletados em um ambiente de laboratório tradicional, com custo relativamente mais baixo e menos esforço por parte dos pesquisadores. Usando esta ferramenta, construímos um conjunto de dados de saliência para um grande número de imagens naturais. Abriremos o código-fonte da nossa ferramenta e forneceremos um servidor web onde os pesquisadores podem enviar suas imagens para obter resultados de rastreamento ocular do AMTurk.
Xu et al. (Sat,) estudaram essa questão.