Aftereffects of motion in depth based on binocular cues
Notice bibliographique
Résumé
Purpose. Lateral motion aftereffects (MAEs) have been studied extensively. Less is known about MAEs in depth. We investigated whether adaptation to stimuli moving in depth induces MAEs in depth. Methods. The adaptation stimulus consisted of two frontoparallel planes, depicted by random-element stereograms, one above and one below the fixation point. The two planes repeatedly moved in depth in opposite directions for 2 minutes. The motion-in-depth was specified by interocular velocity differences and/or changing disparity by using the random elements which were spatially and temporally correlated in the two eyes (RDS), those which were spatially uncorrelated but temporally correlated (URDS), or those which were spatially correlated but temporally uncorrelated (DRDS). The test stimulus consisted of a RDS, URDS, DRDS or monocularly viewed random elements that did not move in depth. The subject pressed a key when any apparent motion in depth of the test stimulus ceased. Results and discussion. Under some conditions the test stimulus appeared to move in depth in the direction opposite to that of the adaptation stimulus (negative MAE). Specifically, adaptation to motion-in-depth of RDS and URDS produced MAEs in many test stimuli, while adaptation to DRDS produced little or no MAE in most test stimuli. While further experimentation is required, this finding suggests that adaptation to interocular velocity differences produces substantial MAEs in depth, but that adaptation to changing disparity produces little or no MAE. Also, a monocular test stimulus showed a MAE in a diagonal direction in depth. The depth component of the MAE under monocular test conditions indicates that binocular processes are involved in generating MAEs in depth.
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 | 0,000 | 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 | 0,000 |
| 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 ».