Predicting Eye Gaze Location on Websites

要約

ウェブサイトとウェブページを主要なインターフェースとするワールドワイドウェブは、重要な情報の普及を容易にします。
したがって、ユーザー インタラクションを改善するためにそれらを最適化することが重要です。これは、主にユーザーの行動、特にユーザーの視線位置を分析することによって行われます。
ただし、これらのデータの収集は依然として労力と時間がかかると考えられています。
この作業では、Web サイトのスクリーンショットを入力として与えられた自動視線推定の開発を可能にします。
これは、Web サイトのスクリーンショット、視線ヒートマップ、およびイメージとテキスト マスクの形式の Web サイトのレイアウト情報で構成される統合データセットのキュレーションによって行われます。
前処理されたデータセットにより、画像とテキストの両方の空間位置を活用する効果的な深層学習ベースのモデルを提案できます。これは、効果的な視線予測のための注意メカニズムを通じて組み合わされます。
私たちの実験では、統一されたデータセットを使用して慎重に微調整することで、視線予測の精度が向上することを示しています。
さらに、ターゲット領域 (画像とテキスト) に焦点を当てて高い精度を達成するモデルの能力を観察します。
最後に、他の選択肢との比較は、視線予測タスクのベンチマークを確立するモデルの最先端の結果を示しています。

要約(オリジナル)

World-wide-web, with the website and webpage as the main interface, facilitates the dissemination of important information. Hence it is crucial to optimize them for better user interaction, which is primarily done by analyzing users’ behavior, especially users’ eye-gaze locations. However, gathering these data is still considered to be labor and time intensive. In this work, we enable the development of automatic eye-gaze estimations given a website screenshots as the input. This is done by the curation of a unified dataset that consists of website screenshots, eye-gaze heatmap and website’s layout information in the form of image and text masks. Our pre-processed dataset allows us to propose an effective deep learning-based model that leverages both image and text spatial location, which is combined through attention mechanism for effective eye-gaze prediction. In our experiment, we show the benefit of careful fine-tuning using our unified dataset to improve the accuracy of eye-gaze predictions. We further observe the capability of our model to focus on the targeted areas (images and text) to achieve high accuracy. Finally, the comparison with other alternatives shows the state-of-the-art result of our model establishing the benchmark for the eye-gaze prediction task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google