Assessment of depth magnitude from binocular disparity
Notice bibliographique
Résumé
While binocular disparity is well known for providing high-resolution discrimination thresholds, it also plays an important role in defining the separation of features or objects in depth. This suprathreshold performance has been assessed using a variety of techniques, most of which involve visual and/or haptic transformations. Ideally, if these techniques accurately assess depth percepts, they would be interchangeable, and equally affected by factors such as experience. To test this prediction we compared the accuracy of three depth estimation methods (haptic sensor, digital caliper, and a virtual ruler) using a simple line stimulus, with groups of experienced and naïve observers. Participants were asked to estimate the amount of depth between two vertical bars using each estimation technique. We found no consistent difference between measurements regardless of the method used. However, while experienced observers’ estimates followed geometric predictions, naïve observers consistently under-estimated small, and over-estimated large disparities. One explanation for this difference is that naïve observers are more sensitive to the cue conflict between stereopsis and perspective foreshortening. To test this hypothesis, a second group of naïve observers were assessed using the original and a perspective-corrected configuration. Our results showed a significant effect of removing cue conflict at the largest test disparity only. Closer examination showed that the data were bi-modal. Removal of the conflict eliminated the estimation errors for half of the observers; the remaining observers were unaffected by the manipulation. We conclude that the three techniques evaluated are equally accurate for the configuration used here. A more important consideration is the amount of experience with such procedures. While some observers readily discount conflicting depth cues, others do not and these individuals may require additional training. Failure to take experience into account will result in high inter-observer variability and distorted depth estimates. 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».