MétaCan
Menu
Retour à la cohorte
Enregistrement W1963580462 · doi:10.1167/14.10.1157

Perceptual learning of detection of band-limited noise patterns

2014· article· en· W1963580462 sur OpenAlexaff
Zahra Hussain, P. Bennett

Notice bibliographique

RevueJournal of Vision · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Vision Systems and Defect Detection
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésStimulus (psychology)PerceptionNoise (video)Artificial intelligencePattern recognition (psychology)Perceptual learningNoise reductionContrast (vision)False alarmObserver (physics)Computer sciencePsychologyAudiologyMathematicsSpeech recognitionCommunicationCognitive psychologyMedicinePhysics

Résumé

récupéré en direct d'OpenAlex

Perceptual learning has most frequently been studied for discrimination and identification tasks, in which learning is specific to stimuli exposed throughout practice. Here, we asked whether practice improves detection of textures in noise, and whether the improvements, if any, are stimulus specific when stimulus features are not easily identified. We used two external noise levels, following previous studies showing different patterns of improvement in discrimination in low and high noise. Two groups of observers practiced detection of five noise textures (2-4 cpi) on two consecutive days. The texture was presented at one of eight contrasts, including a zero-contrast (signal absent) condition. The observer's task was to detect whether the texture was present or absent on each trial (yes/no). One group practiced the task with the same five textures on both days, and the other group switched to five novel textures on Day 2. Noise levels were blocked, and the five textures were randomly presented throughout the session. We calculated d' at each contrast, and the false alarm rate for each observer in each noise level on both days. Performance improved for both groups in high noise, but the improvement was larger for the same texture group, particularly at high contrasts. Performance improved slightly in low noise for the novel texture group, but not for the same texture group. The improvement in low noise was significantly associated with a reduction in false alarms. The results suggest that learning of texture detection generalizes to novel textures from the same bandwidth, but there is an advantage in high noise for previously exposed textures (i.e., stimulus specificity) despite absence of identification. The low noise data are consistent with work suggesting that threshold improvements in certain yes-no tasks are accompanied by changes in the decision criterion. Meeting abstract presented at VSS 2014

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,135
Score d'incertitude au seuil0,281

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 savante0,0000,000
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 Opus0,011
Tête enseignante GPT0,233
Écart entre enseignants0,222 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetIndustrial Vision Systems and Defect DetectionTravaux en français237 207