Visual perception of surface wetness
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We can visually recognize a variety of surface state. Just a quick look is sufficient to find the bath floor is dry, the road in front is slippery, the window glass is frosty, or the ornament is dusty. If a given surface state perception relies on the analysis of diagnostic image features, an effective strategy to reveal those features and the associated visual processing is to find a stimulus transformation that alters the apparent surface state. Here we report an image transformation that makes dry objects look wet. This wet filter consists of two operations: (1) Tone-remapping with an accelerating nonlinear function that renders the intensity histogram positively skewed: (2) color saturation enhancement. In an experimental test, we applied the wet filter to a variety of natural textures of the McGill Calibrated Colour Image Database. The results of a wetness rating experiment showed that the wet-filtered images were perceived as wetter than the original images. In addition, the perceived wetness depended on the variance of hue. The wet-filter was less effective for images with a small variance of hue. Optically, wetting a surface tends to increases the specular reflection. In addition, as the incoming light scatters repeatedly within the surface liquid layer, the light going out from the surface tends to be darker and more saturated. The effects of these optical changes can be simulated by the two wet-filter operations. However, positively skewed luminance histogram and high chromatic saturation may be caused by other factors — for instance, the visual scene may happen to include highly saturated glossy objects. This is presumably why hue variation matters. If the same image transformation simultaneously occurs in many different objects, the brain infers that the change likely has the same cause, such as water shower in the present case. Meeting abstract presented at VSS 2015
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle