haku: @keyword eye tracking / yhteensä: 8
hakutulos-lista
viite: 6 / 8
« edellinen | seuraava »
Tekijä:Nallamothu, Kranthi Kumar
Työn nimi:Decoding of dynamic visual scenes from gaze features
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2012
Sivut:xi + 93      Kieli:   eng
Koulu/Laitos/Osasto:Tietotekniikan laitos
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Kaski, Samuel
Ohjaaja:Ramkumar, Pavan ; Pannasch, Sebastian
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  6905   | Arkisto
Avainsanat:eye tracking
gaze features
dynamic scenes
feature selection
eye movement
pattern classification
filter method
wrapper methods
RFE
RMANOVA
SVM
naive Bayes
Tiivistelmä (eng): This thesis aims to examine the similarity across participants' eye-gaze behaviour and explore eye-gaze features that can effectively classify different dynamic visual scenes.
Eye-gaze behaviour of 17 naíve participants was recorded while viewing 62 different dynamic visual scenes grouped into 4 categories (artificial patterns, naturalistic sceneries, sports, and directed movies).
From the eye gaze, 15 features were extracted for each video clip viewed by participants.
Three classification approaches (SVM, Adaboost SVM, and Naíve Bayes) were used to classify the eye-gaze data.
The analysis showed that eye-gaze patterns carry characteristic features that can be used to categorize the 4 video categories.
Subsequently, a filter approach (RMANOVA), and a wrapper approach (RFE) were used for feature selection to identify a subset of features that can increase the classification accuracy.

The filter approach (RMANOVA) results suggest that 10 out of 15 features were statistically significant across different video categories while wrapper approach (RFE) revealed 12 features when combined with a naíve Bayes classifier as the induction algorithm in RFE.
The classification accuracy with all 15 features was 54.96+-0.93% (mean +- S.E.M.).
The average accuracy increased to 58.96+-1.68% when the subset of features given by filter approach was considered but showed no recognizable change for subset of features selected by wrapper approach (54.84+-0.96%).
The results suggest that eye-movement features allow for a classification of different dynamic visual scenes.
The subset of eye-gaze features selected by filter approach gives higher classification accuracy over wrapper approach.
ED:2012-11-06
INSSI tietueen numero: 45386
+ lisää koriin
« edellinen | seuraava »
INSSI