VED100

这是一个大规模基于视频的眼动追踪数据集，用于视觉显著性检测。数据集包含原始视觉注视数据和平均视觉注视数据，以及用于数据提取和可视化的代码。

This is a large-scale video-based eye-tracking dataset designed for visual saliency detection. The dataset includes raw visual gaze data and average visual gaze data, along with code for data extraction and visualization.

原始信息汇总

VED100：基于视频的眼动追踪数据集用于视觉显著性检测

数据集结构

Section.1 数据

• Raw: 原始视觉注视数据。
• Avg: 平均视觉注视数据，所有评估均基于此数据。

Section.2 数据处理

• data_extract: 包含从Section.1中的.txt文件提取数据的代码，使用Matlab编写。
• Heatmap: 包含用于在视频中可视化注视数据（地面实况）的代码，使用OpenCV在Visual Studio中编写。

Section.3 眼动追踪实验主控

• 包含收集视觉注视数据的实验代码，使用Python编写，眼动追踪器为EyeTribe。

补充信息

• 视频序列存储于Google Drive的"avi"文件夹中。
• 实验原始数据存储于"data_backup"文件夹，按实验日期分类。
• 可视化结果存储于"heatmap_video"文件夹，包含输入视频帧和输出结果视频帧。

搜集汇总

数据集介绍

构建方式

VED100数据集的构建基于视觉注视数据采集，通过EyeTribe眼动追踪器收集受试者在观看视频序列时的视觉注视点信息。数据集包含原始视觉注视数据（Raw）和平均视觉注视数据（Avg）两个版本，其中平均数据是在研究中用于评估的主要数据形式。

特点

该数据集的特点在于其基于视频的视觉注视点追踪，提供了丰富的视觉注意力分布数据，有助于视觉显著性检测研究。数据集涵盖了多样化的视频内容，并提供了相应的处理和可视化工具，使得研究者能够方便地开展相关实验。

使用方法

用户可以通过数据集中的Data_Process部分的代码提取和可视化数据。数据提取部分包含从.txt文件中提取数据的Matlab代码，而Heatmap部分则提供了使用OpenCV在Visual Studio中可视化注视数据的代码。此外，数据集的互补信息中提供了视频序列的下载链接，以及实验的原始数据备份和可视化结果，便于研究者进一步分析和使用。

背景与挑战

背景概述

VED100数据集，作为视觉显著性检测领域的一项重要成果，由加州大学伯克利分校的研究团队于近年来创建。该数据集旨在通过视频中的视觉固定数据，为研究者提供一种新的视角，以探究人类视觉系统的关注机制。其核心研究问题聚焦于视觉显著性的动态检测，即如何在视频序列中实时捕捉和预测人类视觉的焦点。VED100的问世，对视觉显著性检测领域产生了显著影响，推动了相关算法和模型的发展。

当前挑战

在构建VED100数据集的过程中，研究者面临了多方面的挑战。首先，如何精确捕捉并记录视觉固定数据，确保数据质量与真实性的统一，是一大难题。其次，数据集构建过程中，对数据的有效处理与可视化同样具有挑战性，这要求研究者必须开发相应的数据处理和可视化工具。此外，VED100所解决的视觉显著性动态检测问题，在算法设计与应用层面，仍需克服如何实时、准确地模拟人类视觉注意的挑战。

常用场景

经典使用场景

在视觉显著性检测研究领域，VED100数据集以其视频为基础的眼动追踪特性，成为该领域内的一项重要资源。该数据集主要被用于训练和测试计算机视觉模型，以识别视频中的视觉关注点，进而优化视频内容的呈现效果。

衍生相关工作

基于VED100数据集，研究者们已经衍生出一系列相关工作，如改进眼动追踪算法、提出新的视觉显著性模型等。这些工作不仅丰富了视觉显著性检测的理论体系，也为相关技术的实际应用提供了强有力的支持。

数据集最近研究

最新研究方向

在视觉显著性检测领域，VED100数据集为研究者提供了一个基于视频的眼动追踪数据集，其最新研究方向聚焦于利用眼动数据来精确捕捉和分析人类视觉注意力分布。该数据集的发布，不仅推动了视觉显著性模型评估技术的发展，也为认知科学和人工智能领域提供了宝贵的数据资源。近期研究利用VED100数据集，探索了深度学习模型在视觉显著性预测中的应用，以及眼动数据与视觉注意力机制之间的内在联系，对于提升机器视觉理解能力具有重要的理论与实践意义。