Görsel Belirginlik Haritalaması
Visual Saliency Mapping · Ayrıca şöyle bilinir: Attention Map Generation, Computational Gaze Prediction
Görsel Belirginlik Haritalaması, izleyicilerin bir görüntü içinde doğal olarak dikkatlerini nereye yönelttiğini tahmin etmeye yönelik hesaplamalı bir yöntemdir. Nörobilim ve görme bilimi temelli bu işlem hattı, hangi görüntü bölgelerinin en çok görsel olarak ilgi çekici, şaşırtıcı veya ayırt edici olduğunu ortaya koyan dikkat ısı haritaları üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Kritik öğelerin (eyleme çağrı düğmeleri, önemli bilgiler) yüksek dikkat bölgeleri içine düştüğünden emin olmak için kullanıcı arayüzleri tasarlarken Görsel Belirginlik Haritalaması uygulayın. Marka logolarının ve ürün görüntülerinin izleyici dikkatini çektiğini doğrulamak için reklam yaratıcılarını optimize ederken kullanın. İçgörülerin görsel olarak öne çıktığını kontrol etmek için infografik ve veri görselleştirmelerine uygulayın. Sınırlı görme yeteneğine sahip kullanıcıların ana içeriği tanımlayabilmesini sağlamak için erişilebilirlik değerlendirmesinde kullanın.
Güçlü yönler & sınırlılıklar
- Göz izleme ekipmanı gerektirmeden insan dikkatine yönelik hesaplamalı tahminler sağlar
- Çeşitli görüntü türlerinde çalışır: doğal sahneler, kullanıcı arayüzü tasarımları, reklamlar, infografikler
- Görsel dikkate ilişkin nörobilim modellerine dayanır, teorik güvenilirlik kazandırır
- Dikkat optimizasyonu için tasarım düzenlerinin hızlı yinelemesini ve A/B testini mümkün kılar
- Tasarımcıların gözden kaçırmış olabileceği beklenmedik dikkat örüntülerini ortaya çıkarır
- Belirginlik modelleri, nüfus ortalaması dikkati tahmin eder; bireysel izleyiciler önemli ölçüde farklılık gösterir
- Modeller tipik olarak ilk sabitlemeleri (ilk 1-2 saniye) tahmin eder; daha uzun izleme davranışı içeriğin anlambilimine ve göreve bağlıdır
- Alt-üst hesaplamalı modeller, gerçek izleme davranışını güçlü bir şekilde etkileyen üst-alt etkileri (hedefler, uzmanlık, kültürel bilgi) kaçırır
- Anlamsal belirginlik (anlamlı içeriğin belirginliği) zorluğunu korur ve genellikle göreve özgü modeller gerektirir
SSS
Görsel belirginliğe ne sebep olur?
Renk ve kontrast farklılıkları, kenar ve çizgi yönelimi, hareket, titreme, simetri ve anlamsal içerik (yüzler, metin) gibi birden çok faktör katkıda bulunur. Belirginlik modelleri tipik olarak ilk dikkati tahmin etmek için düşük seviyeli özelliklere ağır basar, anlamsal özellikler ise sürekli izleme için daha önemli hale gelir.
Belirginlik tahminleri ne kadar doğrudur?
Modern derin öğrenme belirginlik modelleri, gerçek göz izleme verileriyle 0.6–0.8 arasında bir korelasyon elde eder, bu da genel dikkat örüntülerini makul ölçüde iyi tahmin ettikleri anlamına gelir. Ancak, tahminler olasılıksaldır ve bireysel izleyiciler ortalamadan önemli ölçüde farklılık gösterebilir.
Belirginlik, belirli bir görevde bir kullanıcının nereye bakacağını tahmin edebilir mi?
Güvenilir bir şekilde değil. Belirginlik modelleri alt-üst (uyaran güdümlü) dikkati tahmin eder; göreve özgü üst-alt dikkat (metin, düğme vb. arama) ek modelleme veya ampirik test gerektirir. Göreve özgü tahmin için, belirginlik modellerini kullanıcı testi veya göz izleme ile birleştirin.
Tahmini belirginliğe uyacak şekilde mi yoksa onu geçersiz kılacak şekilde mi tasarlamalıyım?
Hedefinize bağlıdır. Öğelerin hızlıca fark edilmesini istiyorsanız, belirginlik tahminleriyle uyumlu olacak şekilde tasarlayın. Dikkat dağıtıcı unsurlardan uzaklaştırmak istiyorsanız, istenmeyen belirginliği bastırmanız gerekebilir. Her zaman gerçek kullanıcılarla test edin; belirginlik tahminleri reçete edici değil, tanılayıcıdır.
Kaynaklar
- Koch, C., & Ullman, S. (1985). Shifts in Selective Visual Attention: Towards the Underlying Neural Circuitry. Human Neurobiology, 4(4), 219–227. link ↗
- Itti, L., Koch, C., & Niebur, E. (1998). A Model of Saliency-Based Visual Attention for Rapid Scene Analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(11), 1254–1259. DOI: 10.1109/34.730558 ↗
- Bylinskii, Z., Kim, N. W., O'Donovan, P., Alsheikh, S., Mital, S., Pfister, H., & Durand, F. (2017). Understanding Infographics through Textual and Visual Tag Co-occurrence. Computer Vision and Pattern Recognition Workshops (CVPRW). link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Visual Saliency Mapping. ScholarGate. https://scholargate.app/tr/visual-arts/visual-saliency-map
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Renk Uyumu AnaliziGörsel sanatlar↔ karşılaştır
- Gestalt İlkeleri AnaliziGörsel sanatlar↔ karşılaştır
- Görsel Estetik DeğerlendirmesiGörsel sanatlar↔ karşılaştır
- Görsel Denge ÖlçümüGörsel sanatlar↔ karşılaştır
- Görsel Karmaşıklık ÖlçümüGörsel sanatlar↔ karşılaştır