出了一些定义和计算视角。一个通用的方法是从前期人类视觉系统（earlyhuma
visualsystem）的解剖学和功能性来获得灵感（比如141516191）。另外，一些研究假设视觉注意力服从那些函数，并将它形成一个计算框架。比如，大家一致认为视觉注意力能吸引更多的信息144，更多的意想不到的场景区域145，或者关于一个任务的最大化回报109。13经验基础注意力模型通常通过观测者的眼球运动来验证。眼球运动传达了关于认知过程的重要信息，比如阅读、视觉搜索和场景感知。因此，他们通常被看做是注意力转移的表达方式。比如说，在场景感知和视觉搜索中，当激励比较混乱时，注意点会变得更长，同时扫描线变得更短19。任务的难度（比如说全面阅读对主旨阅读，或者在场景中寻找人对用于记忆力测试的图像浏览）明显影响着眼球运动行为19。尽管注意力模型和眼球运动预测模型经常用眼球运动数据进行验证，但是在范围、方法、激励以及细节的层次上存在着细微的差别。眼球运动预测模型（扫描规划）试图理解注意力的数学支撑和理论支撑。一些实例包括搜
f索过程（比如优化搜索理论20，信息最大化理论21，MrChips一个理想观测者的阅读模型21，EMMA（眼球运动和注意力运动）模型139，控制眼球运动的HMM模型26和约束的随即游动模型175）。为了这个目的，他们通常使用简单可控制的激励，同时另一方面，注意力模型利用启发的、认知的和神经特征的组合，以及机器学习和计算机视觉的一些工具，来解释在简单和复杂场景的眼球运动。注意力模型同时关注实际实用性。对于所有的眼球运动模型的综述超出了本文的范围。感兴趣的读者参考关于眼球运动的研究2223127和眼球跟踪应用的宽度优先的调查25。注意到眼球运动并不总是表示出真实的事实，而且存在着其他度量标准来衡量模型。比如，正确报告图中一次变化的准确性（也就是searchbli
d
ess5），或者预测能够被记住的那些视觉吸引东西，这些能显示出单独分析眼球运动所或略的注意力的重要方面。很多视觉搜索的注意力模型用精确估计反应时间RT（比如，RTsetsizeslopesi
popouta
dco
ju
ctio
searchtasks224191）。14应用本文中，我们将关注描述模型本身。但依然有很多关于今年来提出的模型的技术应用，并对注意力模型的关注度会进一步的增加。我们对模型的应用分成三个类别：视觉和图形，机器人和图3所示的其他领域。
f15本文的申明和组织注意力很难正式定义成一个被广泛接受的方式。然而，从计算角度来看，很多注意r