Go to page
 

Bibliographic Metadata

Title
A quantification of visual salience / by Alexander Krüger ; advised by Prof. Dr. Ingrid Scharlau
AuthorKrüger, Alexander
ParticipantsScharlau, Ingrid
PublishedPaderborn, 2020
Edition
Elektronische Ressource
Description1 Online-Ressource (xiii, 175 Seiten)
Institutional NoteUniversität Paderborn, Dissertation, 2020
Annotation
Anhang
Tag der Verteidigung: 09.07.2020
Defended on2020-07-09
LanguageEnglish
Document TypesDissertation (PhD)
URNurn:nbn:de:hbz:466:2-37715 
DOI10.17619/UNIPB/1-1013 
Files
A quantification of visual salience [6.56 mb]
Links
Reference
Classification
Abstract (German)

Visuelle Auffälligkeit, sogenannte Salienz, beeinflusst, wie wir die Welt wahrnehmen. Dies ist altbekannt und deckt sich mit Alltagserfahrungen. Überraschend dabei ist, dass es bis heute kein einheitliches Maß für die Stärke von Salienz gibt. Diese Doktorarbeit untersucht daher, wie genau die Stärke von Salienz, die durch physische Kontraste entsteht, gemessen werden kann. Neben den Methoden der Experimentalpsychologie kommt die kognitive formale Modellierung zur Herleitung eines Salienzmaßes zum Einsatz. Die kumulative Dissertation umfasst vier Artikel. Artikel 1 verbindet bisherige Salienzforschung mit einer auf Bundesens Theorie der visuellen Aufmerksamkeit basierten Modells mit dem experimentellen Paradigma des zeitlichen Reihenfolgeurteils. Artikel 2 fügt der Modellierung ein explizites Salienzmaß hinzu, modelliert das Wachstum von Aufmerksamkeitsvorteil durch physischen Kontrast und überprüft verschiedene Interaktionen für mehr als eine Sorte von Kontrast, die in der Literatur diskutiert werden. Es wird gezeigt, dass beide Kontrastarten sich ohne Einbuße ergänzen. Bayesische Statistik ermöglicht die einfache Implementierung von individuell entwickelten hierarchischen Modellen, deren Vergleich, informationsreiche Parameterschätzung und das Generieren von Daten durch das Modell. Artikel 3 stellt eine Ausnahme dahingehend dar, dass die Modellierung und Bayesische Statistik aus der Vogelperspektive betrachtet und mit bekannten und neuen Methoden der Psychologie, Nullhypothesentests beziehungsweise maschinellem Lernen, vergleicht. Artikel 4 wendet die erarbeitete Modellierung auf den zeitlichen Verlauf von Salienz an. Ebenfalls werden kleinere Experimente berichtet, die alle eine Anwendung der entwickelten Modellierung und des entwickelten Experimentaldesigns darstellen.

Abstract (English)

Visual conspicuousness --- so-called salience --- affects how we perceive the world. This is well known and congruent with everyday experiences. Surprisingly, today, no commonly accepted measure for the strength of salience exists. Consequentially, this dissertation aims at providing such a measure of visual salience. Visual salience arises from physical contrasts and may affect attention as well as the perception of the respective stimuli. This thesis is focused on salience's influence on attention. Besides methods from experimental psychology, also methods from cognitive modeling are applied to derive such a measure of salience. This cumulative dissertation encompasses four articles. Article 1 combines current salience research with a model based on Bundesen's Theory of Visual Attention and the experimental paradigm of temporal-order judgment. Article 2 adds a formal salience parameter to the model, investigates the growth of salience caused by physical contrast, and finally models and compares different interactions of two types of contrast as proposed in the literature. Unlike previously published results, this model shows that contrasts add up without a penalty. Bayesian Statistics are applied throughout all articles. Advantages of Bayesian Statistics include easy implementation of custom hierarchical models, their comparison, information-rich parameter estimation, and the generation of data based on the model. Article 3 is unique in the sense that it takes a bird's eye perspective by comparing a combination of Bayesian Statistics and modeling for established and new techniques in psychology. These are, namely, null-hypothesis testing and machine learning. Article 4 applies the developed model to the time course of salience. Additionally, this synopsis reports many more experiments in which the developed modeling and empirical approach is applied.

License
CC-BY-ND-License (4.0)Creative Commons Attribution - NoDerivatives 4.0 International License