Notice bibliographique
Résumé
Introduction: Learning algorithms based on natural image statistics have been capable of generating oriented receptive fields akin to the properties of V1 neurons. Here we ask whether an analogous approach can be taken to study the basis of face viewpoint representations. This extends our previous work showing that deviations from head symmetry can be used to discriminate among head orientations near the frontal view. Methods: Male and female faces were digitized at 16 points around the perimeter of the head. Each head was digitized in 9 different horizontal rotations from −40° to +40° in 10° steps. For each of these rotations front, 24° up, and 24° down vertical rotations were digitized, making a total of 27 views of each head. The 27 views of all heads were then submitted to a principal component (PC) analysis. Psychophysical experiments were conducted to determine whether observers could correctly discriminate head orientation from the head outline alone. Results: PC analysis showed that three components accounted for 97% of the variance. PC1 (56%) was positively weighted for rightward rotations and negatively weighted for leftward rotations, with no weighting on front or up/down views. PC2 (29%) was heavily weighted for front views and did not discriminate between left and right rotations, so it functions as an estimator of bilateral symmetry. PC3 (12%) was positively weighted on upward views and negatively weighted on downward views with insignificant weighting on horizontal rotation. Psychophysical results showed that observers could accurately estimate head orientation from head outlines alone. Conclusions: Principal Components can be learned readily by Hebbian neural networks. Thus, we hypothesize that neural representations in face selective areas will reflect the small number of PCs that are theoretically necessary for representations of head rotation. Comparisons with neurophysiology appear to support this hypothesis.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».