@phdthesis{victorleboran2016blanqueado, title = {Blanqueado adaptativo de escalas espacio-temporales como mecanismo computacional de atenci\'{o}n visual din\'{a}mica}, year = {2016}, abstract = {El movimiento relativo y la existencia de fuertes correlaciones espacio-temporales hacen del c\'{a}lculo de la saliencia din\'{a}mica un gran desaf\'{i}o computacional. En este trabajo presentamos un modelo basado en la hip\'{o}tesis de que la informaci\'{o}n perceptualmente relevante est\'{a} contenida en las estructuras estad\'{i}sticas de alto orden. Mediante el blanqueado eliminamos la gaussianidad de los datos (redundancias de segundo orden) para lograr acceder a la informaci\'{o}n relevante. Esta propuesta logra un marco te\'{o}rico unificado de saliencia bottom-up‚ anal\'{i}ticamente tratable y computacionalmente simple al que denominamos Adaptive Whitening Saliency-Dynamic (AWS-D). Los mapas de saliencia que obtenemos los utilizamos para predecir las fijaciones de observadores humanos sobre seis bases de datos de v\'{i}deos p\'{u}blicas‚ as\'{i} como su capacidad para reproducir el comportamiento humano en experimentos psicof\'{i}sicos (pop-out din\'{a}micos). Los resultados demuestran la superioridad del AWS-D frente a varios modelos del estado del arte en saliencia din\'{a}mica y apuntan a que el modelo puede contener las bases de mecanismos clave en la saliencia visual. En la evaluaci\'{o}n experimental‚ se adapt\'{o} la metodolog\'{i}a m\'{a}s aceptada para im\'{a}genes est\'{a}ticas a v\'{i}deo‚ combin\'{a}ndola con un test de permutaci\'{o}n (hip\'{i}otesis de asignaci\'{o}n aleatoria de etiquetas) para obtener informaci\'{o}n adicional sobre la significaci\'{o}n estad\'{i}stica de las medidas en cada instante temporal.}, author = {V\'{i}ctor Lebor\'{a}n \'{A}lvarez} }