ウェブカメラの視線追跡における最良の注目検出器は何ですか？{/examples/}

すべての注目の数、持続時間、滞留時間は、それを生成した検出器に依存しており、古典的な検出器は、1秒あたり500から2000サンプルを記録するラボ追跡器のために作られています。約30のウェブカメラデータに最も適するのはどれでしょうか？私たちはEyeLink 1000とリアルオンライン参加者に対してテストを行い、どれも単独ではうまくいかないことを見つけました。

概要{/examples/}

• 1要約

要約{/examples/}

注目は、ほとんどの視線追跡分析が基づいている単位です：注目の数、持続時間、滞留時間および興味のある領域はすべて、検出アルゴリズムが行うことを受け継ぎます。検出方法は、500Hzから2000Hzでサンプリングするラボ追跡器のために開発されました。ウェブカメラは1秒あたり約30サンプルを提供し、サンプルあたりのノイズがはるかに多いです。では、ウェブカメラデータに最も適した注目検出器はどれでしょうか？

私たちは、Labvancedの分散ベースの検出器をEngbertとKlieglの速度ベースのアルゴリズムと比較しました。これは、Titus von der Malsburgのsaccades Rパッケージの正確なJavaScriptポートを使用し、元のものに対して確認したもので、出力行13,790行の間に不一致はありませんでした。この比較は3つのデータセットで実施しました：ウェブカメラとEyeLink 1000で同時に記録された23人の参加者、注視および追従タスクの94人の参加者、45ターゲットの精度タスクの225人のProlific参加者です。

アルゴリズムは反対の方向に失敗します。分散検出は2つの実際の注目を決して統合しませんが、1つの安定した視線をいくつかの部分に分割します：1つあたり中央値3、安定した視線の82 %において。EngbertとKlieglは、それぞれの参加者の速度ノイズから設定されたしきい値を持ち、ほとんど分割しませんが、ウェブカメラデータでは短い注目と小さなサッケードを統合し、最もノイズが多い参加者で大きなターゲットサッケードを見逃します。位置の正確さはアルゴリズムにはほとんど依存せず、残りのウェブカメラエラーはノイズではなく定数オフセットだからです。

したがって、ウェブカメラデータに最適な検出器はどちらでもなく、組み合わせです：私たちは、実際のサッケードへの分散検出の感度を維持し、測定ノイズが説明できるより近い場合に2つの連続する注目を結合するライブマージステップを加えた新しい検出器を構築しました。EyeLinkに対して、1対1のF1スコアを0.58から0.75に引き上げます。195人のProlific参加者では、1つの注目として報告される安定した視線の割合が倍増（22.5 %から50 %）、1回の視線をカバーする注目の長さが847 msから1490 msに延び、わずかだが重要な精度向上（画面対角線の7.40 %から7.29 %、p = .0003）が得られます。代償はレイテンシーです：注目は次のものが始まるまで報告されず、約1秒後になります。これは、視線に基づくデザインにとって重要です。マージド注目はEye Tracking 2.0のデフォルト検出器です。リアルタイムおよび遅延検出器は引き続き利用可能です。