The role of spatial frequency in expert object recognition.
Notice bibliographique
Résumé
Novices recognize objects at the basic-category level (e.g., dog, chair, and bird) at which identification is based on the global form of the objects (Rosch, Mervis, Gray, Johnson, & Boyes-Braem, 1976). In contrast, experts recognize objects within their domain of expertise at the subordinate level (e.g., Sparrow or Finch) for which the internal object information may play an important role in identification (Tanaka & Taylor, 1991). To investigate whether expert recognition relies on internal object information, we band-pass filtered bird images over a range of spatial frequencies (SF) and then masked the filtered image to preserve its global form. In Experiment 1, bird experts categorized common birds at the family level (e.g., Robin or Sparrow) more quickly and more accurately than novices. Both experts and novices were more accurate when bird images contained the internal information represented by a middle range of SFs, and this finding was characterized by a quadratic function in which accuracy decreased toward each end of the SF spectrum. However, the experts, but not the novices, showed a similar quadratic relationship between response times and SF range. In Experiment 2, experts categorized Warblers and Finches at the more specific, species level (e.g., Wilson's Warbler or House Finch). Recognition was again fastest and most accurate for images filtered in the middle range of SFs. Collectively, these results indicate that a midrange of SFs contain crucial information for subordinate recognition, and that extensive perceptual experience can influence the efficiency with which this information is utilized. (PsycINFO Database Record
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».