लेखकों ने VEGAS (Video caption Evaluation via GAze Score) प्रस्तावित किया है, जो एक प्रशिक्षण-मुक्त मेट्रिक है जो वीडियो कैप्शन के लिए व्यक्तिगत, ध्यान-अनुकूल पाठ को सैंपल करने के लिए परीक्षण-समय दृष्टि का लाभ उठाता है। यह एक क्रॉस-मोडल, सूचना-सैद्धांतिक मेट्रिक है जो मात्रात्मक रूप से बताता है कि एक उम्मीदवार कैप्शन दर्शक के फोकस से कितनी अच्छी तरह मिलता है।
- VEGAS मूल्यांकन के लिए समन्वित दृष्टि और संदर्भ एनोटेशन के साथ युग्मित अंतःकेंद्रित गतिविधियों और निर्देशक स्लाइड का उपयोग करता है।
- कैप्शन को मॉडल पुनः प्रशिक्षण के बिना अस्वीकृति सैंपलिंग द्वारा चुना जाता है।
- प्रयोगों से पता चलता है कि VEGAS-द्वारा चयनित कैप्शन मानव फोकस के साथ काफी बेहतर ढंग से संरेखित होते हैं।
- विधि डाउनस्ट्रीम कैप्शन-टू-वीडियो पुनर्प्राप्ति में सुधार करती है।
यह कार्य इनफरेंस के दौरान दर्शक की ध्यान को शामिल करने की व्यावहारिक उपयोगिता को प्रदर्शित करता है।