MétaCan
Menu
Retour à la cohorte
Enregistrement W1655205529 · doi:10.1167/15.12.890

Visual Features as Carriers of Information

2015· article· en· W1655205529 sur OpenAlexaff
Ronald A. Rensink

Notice bibliographique

RevueJournal of Vision · 2015
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage Retrieval and Classification Techniques
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésLogarithmJust-noticeable differenceMathematicsPosition (finance)Dimension (graph theory)CorrelationInvariant (physics)Orientation (vector space)StatisticsArtificial intelligenceGeometryMathematical analysisComputer scienceCombinatorics

Résumé

récupéré en direct d'OpenAlex

The perception of Pearson correlation in scatterplots can be described via simple laws (Rensink & Baldridge, 2010): just noticeable difference (jnd) follows a Weber-like (linear) law, and subjective estimate follows a Fechner-like (logarithmic) law. Behavior is largely invariant to the size, shape or color of the dots (Rensink, 2014), suggesting that correlation is (or is related to) a perceptually simple property carried via spatial position. To determine if features other than spatial position can carry information in the same way, a set of "augmented stripplots" was developed for visualizing two-dimensional data. As for the case of scatterplots, the first dimension was carried by spatial position along the horizontal axis. But the second dimension was carried by a visual feature such as orientation, size, or color. Precision was measured via the jnd in correlation for two above-and-below stripplots, each 2° high x 5° wide. Accuracy was determined via reference plots with fixed upper and lower values, with a test plot adjusted to have its apparent correlation be midway between them. Twenty observers were tested in each condition. Results showed the same pattern in all conditions. For all features, precision followed a Weber-like law, with jnds increasing linearly with distance from r=1. And for all features, accuracy followed a Fechner-like law, with subjective estimates a logarithmic function of the distance from r=1. The constants of these functions were similar as well; indeed, performance for color-augmented stripplots (both red-green and blue-yellow) was somewhat more accurate than that for scatterplots. These commonalities provide further evidence that correlation perception is a general process that is both sophisticated and rapid, relying on more than superficial appearance alone (e.g., the shape of the dot cloud). They also suggest that many if not all basic visual features can effectively carry information. 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,939
Score d'incertitude au seuil0,119

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,315
Écart entre enseignants0,302 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetImage Retrieval and Classification TechniquesTravaux en français237 207