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 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 | 0,001 | 0,006 |
| 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 | 0,001 | 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 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 ».