Name: combining eye-tracking data with an analysis of video content from free-viewing a video of a walk in an urban park environment
Uploaded: 2019-05-07T12:30:00
Description: Watch this Scientific Journal Video about Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment at JoVE.com

وكان هذا العمل مدعوما ماليا من قبل مدينه ملبورن وجزئيا من قبل ARC موانئ دبي 150103135. ونود ان نشكر ايامونن فنيسي علي مشورته ونهجه التعاوني. وبفضل خاص لمساعدي الباحث ايزابيل جانيكي وإيثان تشن الذين ساعدوا أيضا في جمع وتحليل هذه البيانات. تبقي كافة الأخطاء المؤلفين.

وقدمت الموافقة الاخلاقيه لهذا المشروع من قبل لجنه الأخلاق في الجامعة الكاثوليكية الاستراليه-رقم الموافقة #201500036E. وكفل ذلك الحصول علي موافقه مستنيرة من جميع المشاركين وشارك جميع المشاركين طوعا ، وظلت بيانات المشاركين مجهوله وسريه. [أين ديايشن] أعطيت الموافقة كان واجبه الأسلوب وتجهيز اجتم...

<ol>
	<li>Patrik, P., Stigsdotter, U. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+relation+between+perceived+sensory+dimensions+of+urban+green+space+and+stress+restoration.">The relation between perceived sensory dimensions of urban green space and stress restoration.</a> Landscape and Urban Planning. 94 (3-4), 264-275 (2010).</li><li>Bj&#248;rn, G., Patil, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biophilia:+does+visual+contact+with+nature+impact+on+health+and+well-being?.">Biophilia: does visual contact with nature impact on health and well-being?.</a> International Journal of Environmental Research and Public Health. 6 (9), 2332-2343 (2009).</li><li>Velarde, M. a. D., Fry, G., Tveit, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Health+effects+of+viewing+landscapes-Landscape+types+in+environmental+psychology.">Health effects of viewing landscapes-Landscape types in environmental psychology.</a> Urban Forestry &amp; Urban Greening. 6 (4), 199-212 (2007).</li><li>Polat, A. T., Ahmet, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Relationships+between+the+visual+preferences+of+urban+recreation+area+users+and+various+landscape+design+elements.">Relationships between the visual preferences of urban recreation area users and various landscape design elements.</a> Urban Forestry &amp; Urban Greening. 14 (3), 573-582 (2015).</li><li>Peter, P., Giannopoulos, I., Raubal, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Where+am+I?+Investigating+map+matching+during+self-localization+with+mobile+eye+tracking+in+an+urban+environment.">Where am I? Investigating map matching during self-localization with mobile eye tracking in an urban environment.</a> Transactions in GIS. 18 (5), 660-686 (2014).</li><li>Berto, R., Massaccesi, S., Pasini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Do+Eye+Movements+Measured+across+High+and+Low+Fascination+Photographs+Differ?+Addressing+Kaplan's+Fascination+Hypothesis.">Do Eye Movements Measured across High and Low Fascination Photographs Differ? Addressing Kaplan's Fascination Hypothesis.</a> Journal of Environmental Psychology. 28 (2), 185-191 (2008).</li><li>Kaplan, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+restorative+benefits+of+nature:+Towards+an+integrative+framework.">The restorative benefits of nature: Towards an integrative framework.</a> Journal of Environmental Psychology. 15, 169-182 (1995).</li><li>Duchowski, A. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Eye Tracking Methodology: Theory and Practice. , (2017).</li><li>Amati, M., Ghanbari Parmehr, E., McCarthy, C., Sita, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+eye-catching+are+natural+features+when+walking+through+a+park?+Eye-+tracking+responses+to+videos+of+walks?.">How eye-catching are natural features when walking through a park? Eye- tracking responses to videos of walks?.</a> Urban Forestry and Urban Greening. 31, 67-78 (2018).</li><li>Gould, S. D. A. R. W. I. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Framework+for+Machine+Learning+and+Computer+Vision+Research+and+Development.">A Framework for Machine Learning and Computer Vision Research and Development.</a> Journal of Machine Learning Research. (Dec), 3533-3537 (2012).</li><li>Richardson, D., Matlock, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+integration+of+figurative+language+and+static+depictions:+an+eye+movement+study+of+fictive+motion.">The integration of figurative language and static depictions: an eye movement study of fictive motion.</a> Cognition. 102 (1), 129-138 (2007).</li><li>Bojko, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Eye Tracking the User Experience: A Practical Guide to Research. , (2013).</li></ol>

بشكل عام ، في حزم البرمجيات القياسية لتحليل بيانات تتبع العين ، يتم استخدام ناقل الحركة المتوسطة. حتى بالنسبة للصورة الثابتة المفردة ، لا يمكن قياس حجم المتجه بسهوله. وعلاوة علي ذلك ، بما في ذلك جميع AOIs في صوره وحساب الكميات النسبية من AOIs شاقه. يكاد يكون من المستحيل القيام بذلك يدويا علي ال?...

ان تجاربنا اليومية التي نعيشها في البيئات الحضرية تؤثر بشكل كبير علي صحتنا ورفاهيتنا. ويمكن لرفاهيتنا ان تعتمد علي كميه المساحات الخضراء التي نري ونختبرها1،2،3، ويمكن قياس هذه الآراء باستخدام معدات تتبع العين لتوجيه صنع القرار حول تصميم المتنزه. ومع ذلك ، تنشا مشكله مع حجم بيانات تتبع العين التي يتم إنشاؤها والشعور بهذه البيانات. وبما ان المعدات اللازمة لتسجيل بيانات البصر في المختبر أو الاعداد الطبيعي تصبح أسهل في الاستخدام وأكثر قوه ، يحتاج الباحثون إلى النظر في كيفيه جمع وتحليل البيانات بشكل صحيح للمساعدة في الاسئله المتعلقة بصنع القرار.
حتى الآن ، وقد استخدمت قدرا كبيرا من البحوث تتبع العين الصور في مسح أو مختبر الاعداد4. في حين ان هذه المنهجية تسمح لقدر كبير من الاستنساخ والسيطرة علي النتائج ، فانها غير قادره علي الاستفادة من أحدث التطورات في تكنولوجيا تتبع العين التي تشمل استخدام الفيديو ويمكن ارتداؤها المحمولة بتتبع العين. وعلاوة علي ذلك ، فاننا نقول ان العمل من المشي والاسترخاء هو بالضرورة ديناميكية وخاصه عندما توجه نحو مهمة مثل الطريق5. ولذلك فان الفهم العلمي الكامل لهذه الإعدادات ينبغي ان يتم خارج المختبر. ومع ذلك ، في الوقت الراهن ، فان تتبع العين في بيئة طبيعيه واقعيه يجعل مقارنه التجربة بين المواضيع صعبه للغاية. علي سبيل المثال ، إذا أردنا مقارنه ما إذا كان أحد المجيبين ينظر إلى الأشجار أكثر من الآخر ، كيف يمكننا التحكم في حقيقة ان وجهه نظرهم ستتغير باستمرار بالمقارنة مع الآخرين أو ان رؤوسهم قد انقلبت. تحليل مفصل في هذه الظروف يكاد يكون من المستحيل مع تقنيات التحليل الحالية. ونحن نقول انه من المهم السيطرة علي مناطق المشاهدة المتاحة للفرد الذي يجري دراسته وفي التحليل ليكون قادرا علي حساب المشهد الإجمالي الذي ينظر اليه في اي نقطه زمنيه واحده.
هناك مجموعه من النظريات التي تربط بين مستويات التوتر والتصورات للسلامة لمناظر طبيعيه ومقاييس متطورة من الإجهاد6,7. وكانت هناك أيضا زيادة سريعة في تطور معدات تتبع العين لقياس البصر8. تتبع العين أمر مهم لان حركات العين غير الطوعية قد تكون مرتبطة بشكل أكثر موثوقيه بالتفضيل والإجهاد وغيرها من الإجراءات التقليدية من المسوحات والاختبارات الفسيولوجية التدخلية مثل مستويات الكورتيزول اللعابية. والهدف من هذا البحث هو تطوير الاداات التي تمكن من قياس أدق لبيانات تتبع العين المطبقة علي المزيد من الإعدادات الطبيعية ، وذلك لتقديم المزيد من الادله علي أو دحض نظريات المناظر الطبيعية القديمة التي قامت بتصميم المتنزه عقود.
الهدف من هذا المشروع هو تطوير واختبار تقنيه تحليل جديده يمكن ان تولد البيانات المناسبة لتعقب العين لأشرطه الفيديو المختلفة من محاكاة المشي بارك. ويمثل عملنا الذي تم الإبلاغ عنه هنا وفي أماكن أخرى9 نقطه في منتصف الطريق بين الوضع الطبيعي لنظام تتبع العين المتنقل بالبالكامل ودراسات الصور المستندة إلى المختبر المشار اليها أعلاه. علي وجه الخصوص ، ونحن نركز علي استخدام أشرطه الفيديو والمواد التحفيزية ، واستكشاف كيف يمكن استخدام هذه المواد لاختبار كميه من السحر ان الحدائق المختلفة التي تولد في مدينه ملبورن. ويستند عملنا علي افتراض ان التحليل المفصل لأشرطه الفيديو هو خطوه ضرورية للإخلال قبل القيام بتقييم اوفي وأكثر طبيعيه لإمكانات الحدائق لتوفير استعاده من الإجهاد.
في هذه الدراسة ، استخدمنا جهاز كمبيوتر سطح المكتب تعقب العين مع أشرطه الفيديو من المشي من خلال الحدائق الحضرية وطلبت من المشاركين ان يتصوروا انهم كانوا ياخذون نزهه الاسترخاء من خلال حديقة. نقوم بوصف طريقه للسماح بمقدار الوقت الذي أنفقه المشاركون في البحث عن كائنات مختلفه لتكون قابله للمقارنة بين الحدائق. الدراسات المكتبية هي أسهل عموما للسيطرة مقارنه مع الدراسات المتنقلة ET والسماح التحليل المقارن لكل موضوع.
تستخدم برمجيات تتبع العين القياسية أداه مجال الاهتمام اليدوية التي يمكن للمشغل فيها رسم الحدود يدويا حول الأشياء ذات الاهميه في كل مشهد. يتيح ذلك مقدار الوقت الذي يقضيه المشاركون في البحث عن كائنات مختلفه ليتم حسابها تلقائيا. النسبة لبيانات الفيديو ، فان هذه العملية كثيفه العمالة وتخضع لذاتية المشغل والخطا. في الإصدارات اللاحقة من برنامج تحليل تتبع العين ، يمكن ل AOIs تعقب الكائنات تلقائيا عبر الإطارات عندما تكون بنفس الحجم في الفيديو. هذا هو التحسن ، ومع ذلك ، وهذا هو المقصود فقط لاستخدامها لعدد قليل من المحفزات في كل صوره ويجب ان يتم فحص كل صوره وتاكيدها.
الوسم اليدوي للكائنات في صوره أمر شائع ويدعمه برنامج تحرير الصور مثل برنامج التلاعب بالصور غنو (الأعرج). النظر إلى ان 1 s تنتج 30 إطارات أو الصور ، والوسم اليدوي لأشرطه الفيديو غير عملي. الاضافه إلى ذلك ، فان وضع العلامات بواسطة المضلعات المتجهة حول حافه الأجسام المعقدة مثل الستائر الشجرية يستغرق وقتا طويلا. وأخيرا ، في حين انه من المتصور انه من الممكن حساب حجم الأجسام في مجال الرؤية باستخدام وسم النواقل ، فان هذه الميزة غير متاحه حاليا.
الطريقة التي نقوم بالإبلاغ عنها أدناه تتعامل مع هذه القيود. استخدمت هذه الدراسة الوسم التلقائي للكائنات. وهذا ممكن باستخدام تقنيه معالجه الصور المعروفة باسم العلامات الدلالية ، حيث يتم تعيين كل بيكسل في كل اطار من الفيديو علي تسميه تشير إلى فئة كائن. يتم استخدام التعلم الألى لاشتقاق مصنفات بكسل لكل فئة كائن من الاهتمام. توفر هذه المصنفات تسميه احتماليه لكل بيكسل (المعروفة بالإمكانات الاحاديه) ، والتي يتم صقلها بعد ذلك في عمليه تحسين لاحقه لتحقيق الناتج النهائي المسمي. هذه مصنفات تعلم حدود القرارات الاحصائيه بين كل فئة من فئات الكائنات في مساحة المعالم المستخرجة من الصورة ، بما في ذلك الملمس ، والرسم البياني لاتجاات الحواف ، وقيم ألوان RGB ، وإحداثيات الصورة التي تم تطبيعها. ويتم تنفيذ تقنيه مناسبه لهذا الأمر في مربع أدوات التعلم اله داروين10 ويرد أدناه.

<table border="0" cellpadding="0" cellspacing="0" style="width:572px;" width="573">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">12 mm lens</td>
			<td style="width:71px;">Olympus</td>
			<td style="width:119px;"></td>
			<td style="width:167px;">Lens</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Panasonic GH4&#160;</td>
			<td>Panasonic</td>
			<td style="width:119px;"></td>
			<td>Video Camera</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Tobii Studio version (2.1.14)&#160;&#160;</td>
			<td>Tobii</td>
			<td style="width:119px;"></td>
			<td>Software</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Tobii x120 desktop eye-tracker</td>
			<td>Tobii</td>
			<td style="width:119px;"></td>
			<td>Eye-tracker</td>
		</tr>
	</tbody>
</table>

combining eye-tracking data with an analysis of video content from free-viewing a video of a walk in an urban park environment

وبما ان الافراد يعيشون بشكل متزايد في المدن ، فان أساليب دراسة تحركاتهم اليومية والبيانات التي يمكن جمعها تصبح مهمة وقيمه. ومن المعروف ان المعلوماتية تتبع العين للتواصل مع مجموعه من المشاعر, الظروف الصحية, الحالات العقلية والإجراءات. ولكن لان الرؤية هي نتيجة لحركات العين المستمرة ، وأغاظه ما هو مهم من ما هو الضجيج معقده والبيانات المكثفة. وعلاوة علي ذلك ، هناك تحد كبير يتمثل في السيطرة علي ما ينظر اليه الناس مقارنه بما يقدم لهم.
وفيما يلي منهجيه للجمع بين وتحليل تتبع العين علي شريط فيديو للمشهد الطبيعي والمعقد مع تقنيه التعلم الألى لتحليل محتوي الفيديو. في البروتوكول نركز علي تحليل البيانات من أشرطه الفيديو المصورة ، وكيف يمكن استخدام الفيديو علي أفضل وجه لتسجيل بيانات تتبع العين للمشاركين ، والاهم كيف يمكن تحليل محتوي الفيديو ودمجه مع بيانات تتبع العين. ونقدم ملخصا موجزا للنتائج ومناقشه لإمكانيات الطريقة لاجراء مزيد من الدراسات في البيئات المعقدة.

ويبين الشكل 1 والشكل 2 نتيجة أخذ جميع بيانات تتبع العين للفيديو بأكمله في جميع المشاركين وإنتاج خريطة للحرارة ؛ هذا هو النهج القياسية المتاحة في حزم برامج تتبع العين. من خلال مقارنه الشكل 1 والشكل 2 ، من الممكن تحدي?...

Watch this Scientific Journal Video about Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment at JoVE.com

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

والهدف من البروتوكول هو تفصيل كيفيه جمع بيانات الفيديو لاستخدامها في المختبر ؛ كيفيه تسجيل بيانات تتبع العين للمشاركين الذين يبحثون في البيانات وكيفيه تحليل محتوي مقاطع الفيديو التي كانوا يبحثون فيها باستخدام تقنيه تعلم آلات بكفاءة.

الجمع بين بيانات تتبع العين مع تحليل محتوي الفيديو من مجانا-مشاهده فيديو للمشي في بيئة الحديقة الحضرية

As individuals increasingly live in cities, methods to study their everyday movements and the data that can be collected becomes important and valuable. ...

تعتمد العديد من دراسات تتبع العين على محفزات الفيديو المعقدة وإعدادات العالم الحقيقي مما يجعل تحليل البيانات معقدًا للغاية. تسمح تقنية التحليل هذه بنهج أكثر ثراءً وأتمتة لتحليل البيانات المستندة إلى الفيديو مقارنة بالطرق المتاحة حاليًا مما يؤدي إلى استخراج بيانات أكثر تعقيدًا. يمكن استخدام هذه الطريقة في العديد من تطبيقات تتبع العين المختلفة خاصة في حالات العالم الحقيقي أو تلك التي تستخدم الفيديو كحافز.وقد اعتمدت دراسات المناظر الطبيعية على فهم كيفية رد فعل الناس على المحفزات البصرية المختلفة. ويمكن استخدام هذه التقنية جنبا إلى جنب مع تتبع العين لاختبار هذه الافتراضات. بالنسبة لهذا النوع من البحث، يعتبر نهج الفريق ضرورياً لوجود جوانب متعددة تتطلب مدخلات ودراسة رفيعة المستوى.إظهار الإجراء معي سيكون طالب الدراسات العليا أندرو تريلر. يجب عرض تسلسلات الفيلم في مختبر تتبع العين الذي يتوفر فيه الضوء الطبيعي ولكن يمكن التحكم فيه لتجنب الانعكاسات على الشاشة على أكبر شاشة ممكنة لاحتلال أكبر قدر ممكن من المجال البصري ، وبالتالي تجنب الانحرافات من خارج مجال الرؤية. بعد جلوس المشارك على بعد 60-65 سنتيمترًا من الشاشة ، اطلب منهم تخيل الحاجة إلى الترميم باستخدام جملة تسمح للمشارك بالتخيل في سياق فيديو تتبع العين.ثم تشغيل الأفلام للمشارك في ترتيب عشوائي محدد مسبقا باستخدام جهاز تتبع العين سطح المكتب لتسجيل حركات العين المشارك خلال كل فيديو. لتصميم منطقة ذات أهمية، حدد العناصر التي تهم الدراسة مثل الأشجار والشجيرات واللافتات والمباني والمسارات والخطوات. للحصول على الأداء الأمثل ومتطلبات التدريب الدنيا، استخدم العناصر التي يسهل تمييزها بصريًا عن بعضها البعض بالعين المجردة و/أو التي تشغل باستمرار مناطق مختلفة من كل إطار فيديو.بشكل عام، يجب أن يكون تضمين أمثلة تدريبية كافية تصور الاختلافات البصرية التمييز بين كل AOI كافية لأداء قوي. عندما يتم تعديل كافة العناصر، حدد عدد مناسب من إطارات التدريب لتعويض مجموعة التدريب. لا يوجد رقم ثابت مناسب.بعد ذلك، افتح كل إطار تدريب من الفيديو في برنامج تحرير الصور ولكل إطار تراكب طبقة صورة شفافة على الصورة المحملة لوضع العلامات وإنشاء لوحة ألوان توفر لونًا واحدًا لكل فئة من فئات الكائنات المعطاة. لتحديد لون منطقة العينة التي تهمك، انقر واسحب البيكسلات داخل منطقة للتلوين في منطقة من العينة مع اختيار لوحة الألوان المناسبة. بمجرد اكتمال تسمية الإطار، قم بتصدير الطبقة المتراكبة كملف صورة منفصل مع الحرص على أن اسم الملف الأساسي يطابق اسم الملف الأساسي للإطار الأصلي ولكن مع C ملحق إلى النهاية.للتحقق من صحة كمية دقة المصنف المدربين، حدد إطارات من تسلسل الفيديو الأصلي لم يتم اختياره بالفعل ليتم تضمينه في مجموعة التدريب وتسمية البيكسلات في كل إطار كما هو موضح للتو لإطارات التدريب كونها دقيقة وشاملة قدر الإمكان. عند اكتمال تسمية إطار استخدام نفس اصطلاح التسمية كما للتدريب، حفظ الملفات في مجلد إطارات التحقق من صحة منفصلة. للحصول على تسمية البكسل التلقائية من تسلسل الفيديو، قم بتشغيل واجهة مستخدم الرسوم البيانية داروين وانقر فوق تحميل تسميات التدريب.لتكوين واجهة المستخدم الرسومية للتدريب ووضع العلامات، حدد إنشاء مشروع وقم بتوفير اسم للمشروع باستخدام مربع الحوار المنبثق. حدد المجلد الذي يحتوي على كافة الإطارات الأصلية من تسلسل الفيديو في النافذة المنبثقة. باستخدام مربع حوار مستكشف الملفات المنبثقة، حدد المجلد الذي يحتوي على صور التدريب المسماة للتسلسل الفيديو ذات الصلة.وفي مربع حوار مستكشف الملفات، حدد المجلد الذي يحتوي على كافة صور التحقق من الصحة المسماة للتسلسل الفيديو ذات الصلة. اتبع المطالبة لتحديد مجلد الوجهة لكافة إطارات الإخراج التي ستكون في شكل صور تحمل علامات باستخدام نفس لوحة الألوان المستخدمة في التدريب. باستخدام مربع الحوار المنبثقة، تحت مناطق الاهتمام، أدخل المناطق ذات الأهمية للتسمية بما في ذلك القيم الحمراء /الخضراء / الزرقاء المستخدمة لوضع علامة على كل منطقة في أمثلة التدريب.سوف تقوم الخوارزمية بفحص كل إطار تدريب مسمى وتعلم نموذج للمظهر لتصنيف البيكسلات في أي من فئات الكائنات المحددة ذات الاهتمام. بمجرد اكتمال التدريب، انقر فوق التحقق من صحة التدريب. وفي مربع حوار مستكشف الملفات، حدد المجلد الذي يحتوي على كافة صور التحقق من الصحة المسماة للتسلسل الفيديو ذات الصلة.للتحقق من صحة التسميات التي تم إنشاؤها بشكل مرئي، انقر فوق التحقق من صحة المرئي. سيتم عرض كل صورة تم إنشاؤها باسم بجوار إطار التحقق الأصلي. وإذا كانت الدقة التي لوحظت في التحقق الكمي أو النوعي أقل من المستويات المقبولة، فإن تدرج أمثلة تدريبية إضافية وتُعَدَّد بها.بمجرد اكتمال مراحل تدريب المصنف والتحقق من صحتها، انقر فوق استدلال التشغيل لبدء وضع العلامات الكاملة لكافة الإطارات في تسلسل الفيديو باستخدام المصنف المدرب. بمجرد اكتمال التسمية، والتي قد تستغرق عدة ساعات، انقر فوق استعراض الإخراج لمشاهدة التسميات الناتجة. معظم برامج تتبع العين سوف تظهر لك أنه في المتوسط، المشاركين مسحها ضوئيا اليسار واليمين على إحداثي س من الفيديو في الفيديو الأول مقارنة مع الفيديو الثاني الذي خريطة الحرارة يظهر شكل مستدير.باستخدام تقنية وضع العلامات بكسل التعلم الآلي المذكورة في هذه الورقة، يمكننا أن نرى المزيد من التفاصيل. هذا التمثيل الرسومي من وقت التثبيت النسبة المئوية يظهر أن المسار مرئياً بوضوح أثناء سير الفيديو. ومع ذلك ، كما يظهر هذا الرقم من بيانات تتبع العين ، لم ينظر المشارك إلى هذه الميزة إلا في بعض الأحيان في النقاط الرئيسية.هنا يتم عرض ملخص لوقت الإسهاب لجميع المشاركين الـ 39 في هذه الدراسة التمثيلية عند النظر إلى الأشياء طوال طول الفيديو. في هذا الرسم البياني، تم تقسيم نفس البيانات الزمنية للأماكن التي تم تقسيمها على مقدار الوقت والمساحة التي احتلتها الكائنات المختلفة في الفيديو. تشير قيمة واحدة إلى أن وقت الإسهاب يمكن حساب مقدار الكائن في الفيديو.على سبيل المثال، كانت الكائنات التي كانت أقل صلة بالموضوع مثل السماء في كلتا الصورتين أقل نسبيا من الكائنات الأخرى. وسكنت أجسام اصطناعية مثل مصابيح الشوارع والمقاعد إلى حد أكبر بالمقارنة مع الأشياء الطبيعية الأخرى. يمكن أن يكون لهذه الأنواع من التحليل العديد من الاستخدامات واسعة النطاق للنظر في مسائل الاهتمام والوثاقة ويمكن أن يكون لها العديد من التطبيقات واسعة النطاق في مجالات البحث المختلفة.كما يصبح استخدام الأفلام القصيرة والمحفزات البصرية شائعة على نحو متزايد، ونحن نتوقع أن تصبح هذه التقنية أكثر شعبية.

Research

JoVE Journal

Environment

Analysis of Fatty Acid Content and Composition in Microalgae

تحليل الأحماض الدهنية المحتوى والتركيب في الطحالب الدقيقة

A method to determine the content and composition of total fatty acids present in microalgae is described. Fatty acids are a major constituent of ...

Design and Construction of an Urban Runoff Research Facility

تصميم وبناء منشأة أبحاث الجريان السطحي في المناطق الحضرية

As the urban population increases, so does the area of irrigated urban landscape. Summer water use in urban areas can be 2-3x winter base line water use ...

An Aquatic Microbial Metaproteomics Workflow: From Cells to Tryptic Peptides Suitable for Tandem Mass Spectrometry-based Analysis

والمائية الميكروبية Metaproteomics سير العمل: من الخلايا إلى زيتية الببتيدات مناسبة لتحليل يستند الطيف، جنبا إلى جنب الشامل

Meta-omic technologies such as metagenomics, metatranscriptomics and metaproteomics can aid in the understanding of microbial community structure and ...

The Use of an Automated System (GreenFeed) to Monitor Enteric Methane and Carbon Dioxide Emissions from Ruminant Animals

The Use of an Automated System GreenFeed to Monitor Enteric Methane and Carbon Dioxide Emissions from Ruminant Animals

استخدام النظام الآلي (GreenFeed) لرصد المعوية الميثان وثاني أكسيد الكربون الانبعاثات الناتجة عن الحيوانات المجترة

Ruminant animals (domesticated or wild) emit methane (CH4) through enteric fermentation in their digestive tract and from decomposition of manure during ...

Extracting Metrics for Three-dimensional Root Systems: Volume and Surface Analysis from In-soil X-ray Computed Tomography Data

استخراج المقاييس لأنظمة جذر ثلاثي الأبعاد: حجم والسطحية تحليل من في التربة الأشعة السينية بالكمبيوتر بيانات التصوير المقطعي

Plant roots play a critical role in plant-soil-microbe interactions that occur in the rhizosphere, as well as processes with important implications to ...

Spotting Cheetahs: Identifying Individuals by Their Footprints

اكتشاف الفهود: الأفراد تحديد من آثارهم

The cheetah (Acinonyx jubatus) is Africa's most endangered large felid and listed as Vulnerable with a declining population trend by the IUCN1. It ranges ...

A Video Surveillance System to Monitor Breeding Colonies of Common Terns (Sterna Hirundo)

A Video Surveillance System to Monitor Breeding Colonies of Common Terns Sterna Hirundo

نظام لمراقبة بفيديو لمراقبة تربية مستعمرات من خطاف البحر المشترك (Hirundo ستيرنا)

Many waterbird populations have faced declines over the last century, including the common tern (Sterna hirundo), a waterbird species with a widespread ...

Protocol for Producing Three-Dimensional Infrared Video of Freezing in Plants

بروتوكول لإنتاج فيديو ثلاثي الأبعاد الأشعة تحت الحمراء للتجمد في النباتات

Freezing in plants can be monitored using infrared (IR) thermography, because when water freezes, it gives off heat. However, problems with color contrast ...

Quantifying Plant Soluble Protein and Digestible Carbohydrate Content, Using Corn (Zea mays) As an Exemplar

Quantifying Plant Soluble Protein and Digestible Carbohydrate Content, Using Corn Zea mays As an Exemplar

التحديد الكمي لمصنع البروتين للذوبان والهضم الكربوهيدرات المحتوى، استخدام الذرة (ميس زيا) كأنموذج

Elemental data are commonly used to infer plant quality as a resource to herbivores. However, the ubiquity of carbon in biomolecules, the presence of ...

Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster (Nephrops norvegicus)