Caja de herramientas para modelar el rendimiento de la búsqueda visual

Estoy buscando una caja de herramientas para modelar el rendimiento de la búsqueda visual en una tarea de búsqueda única basada en orientaciones de línea (necesita encontrar una línea que sea más diferente de todas las demás en su orientación).

Las características deseables serían:

  1. Detectores de características que se asemejan a neuronas reales.
  2. Memoria para la distribución de distractores en el espacio de características durante ensayos anteriores.

¿Hay algo como eso? También sé que a veces se estudian tareas similares en la discriminación de texturas. ¿Tal vez hay algo parecido a lo que necesito en ese dominio?

Respuestas (1)

Supongo que desea algún tipo de modelo de "visión por computadora" (en el sentido de que desea poder proporcionar al modelo estímulos de entrada en forma de imagen), y que desea predecir algún tipo de comportamiento? (por ejemplo, RT de una tarea de búsqueda). Desarrollar los diferentes procesos involucrados no será trivial, por lo que probablemente no haya una "caja de herramientas" "única para todos" para su problema.

Quizás el "modelo de mapa de prominencia" de Itti y Koch sería adecuado. Hay muchas versiones más modernas de esto (incluida una caja de herramientas de MATLAB y una serie de modelos relacionados). Si bien no es necesariamente el mejor, las ventajas en este caso son que Itti y Koch en realidad usaron una tarea emergente de orientación en su artículo original (Vision Research, 2000). Sin embargo, no estoy seguro de hasta qué punto los detectores de características se parecen realmente a las neuronas, y no creo que se haya incluido un componente de memoria.

¡Gracias! El problema con los modelos de prominencia, como notó correctamente, es que no tienen memoria. Además, la prominencia es una medida de la diferencia entre un punto particular y sus vecinos (estoy simplificando drásticamente, por supuesto). Entonces, la distribución en el espacio de características no es importante; lo importante es una distribución espacial de características y eso no es lo que necesito.