복잡성을 나누어 보기
경험적으로 모듈을 계속 추가하면 어떤 요소가 필요한지 파악하기 어려워진다. 연구는 현저성 모델을 네 가지 핵심 구성으로 나누어 기존 선택과 더 단순한 대안을 검토한다.
SimpleNet
SimpleNet은 최적화한 인코더·디코더 구조다. 이름이 같은 다른 분야의 모델과 구분해야 하며 여기서는 사람의 주시 분포를 예측하는 현저성 모델을 가리킨다.
MDNSal
MDNSal은 혼합 가우스 분포의 매개변수를 직접 예측한다. 픽셀마다 값을 만드는 지도 대신 매개변수화한 분포로 현저성을 표현해 예측의 해석 가능성을 높이려는 접근이다.
간결함과 표현력
분포 모양을 제한하면 표현이 간결해지는 대신 복잡한 주시 분포를 얼마나 잘 담는지 확인해야 한다. 구조의 크기와 속도뿐 아니라 예측 품질을 같은 자료와 조건에서 비교해야 한다.
관련 문서
DeepGaze IIE / 다중 수준 특징 기반 현저성 예측 / SALICON / 가우스 혼합 모델 / 컴퓨터 비전 / 신경망