Adaptation aftereffect from faces using the bubbles technique
Notice bibliographique
Résumé
Visual adaptation is a powerful tool for understanding perception. Most studies have focused on the effects of adaptation on low-level features such as local orientation, as in the tilt aftereffect. Adaptation to faces on the other hand can produce significant aftereffects in identity, expression, and ethnicity etc, which are high-level traits. Our recent findings on curve adaptation suggest that the curvature aftereffect can be generated by an incomplete curve (Xu and Liu, VSS 2011), suggesting that missing information about the curve is filled-in. In the current study, we aim to investigate whether aftereffects can be generated by partially visible faces. We first generated partially visible faces using the bubbles technique, in which the face is seen through randomly-positioned circular apertures, and tested whether subjects were able to identify the facial expression through the bubbles. We then selected 9 faces whose facial expressions the subjects could not clearly identify. When we adapted the subjects to a static display such that each trial one of these 9 faces was randomly selected for adaptation, we did not find significant facial expression aftereffect. However, when we changed the adapting pattern to a dynamic video display of these faces, we found a significant facial expression aftereffect. In both conditions, subjects cannot tell facial expression from individual faces. It therefore suggests that our vision system can integrate these unrecognizable faces over a short period of time and this integrated percept will affect our judgment on subsequently presented faces. We conclude that face aftereffects can be generated by partial face features with little facial expression cue, implying that our cognitive system fills-in the missing parts during adaptation. Meeting abstract presented at VSS 2013
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 ».