Texture segmentation in natural images: Contribution of higher-order image statistics to psychophysical performance
Notice bibliographique
Résumé
Perceptual segmentation of a boundary between two textures is conventionally thought to be based upon differences in their Fourier energy, i.e. in their low-order texture statistics. Most evidence supporting (or contradicting) this idea has arisen from studies using various synthetic texture patterns. But what role, if any, do higher-order texture statistics play in segmenting natural images? Here we extracted high resolution texture regions from monochrome photographs of natural scenes, rich in higher-order statistics. By phase-scrambling these textures, we could remove their high-order statistics, leaving mean luminance and RMS contrast unchanged. Using pairs of natural or phase-scrambled textures, we created RMS-balanced texture quilt boundaries in half-disc stimuli. We also created similar contrast boundaries from individual textures. Employing forced choice judgments of boundary orientation (left- vs. right-oblique), we measured modulation-depth thresholds for both contrast and texture boundaries. If only the low-order statistics are used, then phase-scrambling should have no effect on psychophysical performance. Boundaries between these texture pairs could usually be segregated (thresholds: 35–70%), though in some cases even 100% modulation-depth did not produce reliable performance. In most instances, phase-scrambling made the task impossible. However in a minority of scrambled texture pairs, thresholds were measurable and in some, performance was improved. Contrast boundaries yielded lower modulation-depth thresholds (10–30%) which were impervious to or improved by phase-scrambling, particularly at lower texture contrasts. These results suggest that higher-order texture statistics contribute importantly to boundary segmentation in natural scenes.
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 ».