DCB（动态上下文信念）是一个用于累积通过注视获得信息的状态表示组件。它由三个部分组成：
- Fovea（中央凹）：接收来自注视位置周围区域的高分辨率视觉输入。
- Contextual beliefs（上下文信念）：代表一个人对场景的整体“什么”和“哪里”的理解，以分类信心的水平表示。
- Dynamics（动态性）：在搜索过程中，随着每次注视的变化，主动收集信息。
DCB能够有效地整合视觉输入、上下文信息和动态变化，从而提高搜索效率和准确性。它在IRL（逆强化学习）模型和其他方法（如BC-CNN）中用作状态表示，有助于改善模型的性能和数据效率。
这张图片展示了一个视觉处理系统的流程图，用于从输入图像中提取和处理视觉信息。流程如下：
输入图像：首先，系统接收一个高分辨率的输入图像。
低分辨率图像：输入图像被转换为低分辨率版本，用于生成低分辨率的信念图（Low-res Beliefs）。
高分辨率信念图：同时，输入图像也用于生成高分辨率的信念图（High-res Beliefs）。
注视历史：系统还考虑了注视历史（Fixation History），这可能用于理解观察者的注视模式。
动态上下文信念：结合高分辨率和低分辨率的信念图以及注视历史，系统生成动态上下文信念（Dynamic Contextual Beliefs）。
单热任务嵌入：这些动态上下文信念被转换为单热任务嵌入（One-hot Task Embedding），用于识别和定位图像中的特定对象。
对象信念：最终，系统输出不同对象的信念图，如椅子、冰箱、微波炉和烤箱等，每个对象都有一个20x32的表示。
高分辨率和低分辨率信念图在DCB（动态上下文信念）模型中具有以下意义：
-
低分辨率信念图：
- 代表场景的整体信息，提供全局上下文。这些信息通常基于较少的计算资源和较大的视野范围，适用于捕捉场景中的大致结构和物体类别。
- 用于在搜索的初始阶段快速识别可能的目标区域，帮助引导视线向潜在目标靠近。
-
高分辨率信念图：
- 提供注视点周围的详细信息，包括目标的具体特征和形状。这些信念图通常在具体的注视位置上生成，能够反映出清晰的细节。
- 在搜索的后期阶段，帮助优化对目标的判断和识别，增强决策的准确性。
