Luminance-contrast properties of contour-shape processing revealed through adaptation
Notice bibliographique
Résumé
Aim: We investigated the nature of 1st-order inputs to contour-shape mechanism using the shape-frequency after-effect (SFAE), in which adaptation to a sinusoidally-modulated contour causes a shift in the apparent shape-frequency of a test contour away from that of the adapting stimulus. We measured SFAEs for adapting and test contours that differed in the phase, scale (or blur) and magnitude of luminance contrast. Methods: Adapting and test stimuli were pairs of 2D sinusoidal-shaped contours and edges. The adapting pair were presented above and below fixation and differed in shape frequency by a factor of three. During the test period, subjects indicated whether the upper or lower test contour had the higher perceived shape-frequency, and a staircase procedure estimated the ratio of test shape-frequencies at the point of subjective equality. Results: SFAEs revealed (i) selectivity to luminance contrast polarity for both even-symmetric (contours only) and odd-symmetric (both contours and edges) luminance profiles; (ii) a degree of selectivity to luminance scale (or blur); (iii) higher selectivity to fine-scale (thin) compared to coarse-scale (thick) contours/edges and (iv) a small preference for equal-in-contrast adaptors and tests. Conclusion: Contour/edge shape encoding mechanisms are tuned to many luminance-contrast properties. This implies that contour shape mechanisms make use of a ’feature-rich’ representation, and do not represent contour shapes as super-sparse cartoon-like sketches as might be presumed by local energy, i.e. non-phase-selective models.
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 | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».