Saliency Methods Analysis for Paintings

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3A10444529" target="_blank" >RIV/00216208:11320/22:10444529 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1145/3517031.3531629" target="_blank" >https://doi.org/10.1145/3517031.3531629</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3517031.3531629" target="_blank" >10.1145/3517031.3531629</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Saliency Methods Analysis for Paintings

Popis výsledku v původním jazyce

The topic of visual saliency is well-known and spreads across numerous disciplines. In this paper, we examine how saliency models perform on images with specific characteristics. We explore a saliency of 14 different digitized paintings, all representing a biblical scene of The Last Supper. We evaluate the performance of different saliency models. The models are using the traditional approach as well as the deep learning approach. For the evaluation, we use three different metrics, AUC, NSS and CC. As ground truth, we use eye-tracking data from 35 participants. Our analysis shows that deep-learning methods predict the most salient parts of the paintings very similar to real eye fixations. We also checked the consistency of gaze patterns among the participants.

Název v anglickém jazyce

Saliency Methods Analysis for Paintings

Popis výsledku anglicky

The topic of visual saliency is well-known and spreads across numerous disciplines. In this paper, we examine how saliency models perform on images with specific characteristics. We explore a saliency of 14 different digitized paintings, all representing a biblical scene of The Last Supper. We evaluate the performance of different saliency models. The models are using the traditional approach as well as the deep learning approach. For the evaluation, we use three different metrics, AUC, NSS and CC. As ground truth, we use eye-tracking data from 35 participants. Our analysis shows that deep-learning methods predict the most salient parts of the paintings very similar to real eye fixations. We also checked the consistency of gaze patterns among the participants.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

ETRA &apos;22: 2022 Symposium on Eye Tracking Research and Applications

ISBN

978-1-4503-9252-5

ISSN

—

e-ISSN

—

Počet stran výsledku

2

Strana od-do

1-2

Název nakladatele

Association for Computing MachineryNew YorkNYUnited States

Místo vydání

Seattle WA USA

Místo konání akce

Seattle WA USA

Datum konání akce

8. 6. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—