The role of spatial frequencies in expert object recognition
Notice bibliographique
Résumé
Objects are typically recognized at the basic level (e.g., bird) in which the external contour shape of the object is important for recognition. Experts, on the other hand, typically recognize objects at the subordinate level (e.g., sparrow), which seem to depend more on internal features of objects. Here we investigated whether bird experts rely on internal object features to facilitate fast and accurate subordinate-level recognition of objects in their domain of expertise. We filtered bird images over a range of spatial frequencies corresponding to 2-4 cycles per image (cpi), 4-8 cpi, 8-16 cpi, 16-32 cpi, and 32-64 cpi. This manipulation preserved the external shape of the object while systematically degrading its internal feature information. In Experiment 1, bird experts and novices categorized common birds at the subordinate, family-level (e.g., robin, sparrow, cardinal). The main finding was that experts were faster and more accurate than novices. Moreover, experts were fastest with images filtered between 8 cpi and 32 cpi in which external and internal information were both preserved. In Experiment 2, experts categorized birds at the subordinate, species level (e.g., Wilson's warbler, Tennessee warbler), in which external shape is less diagnostic and internal features are more important to identification. For species-level categorizations, experts were faster at recognizing birds filtered between 4 cpi and 32 cpi relative to images filtered at 2-4 cpi. Response time distribution analyses revealed that only images filtered at 8-16 cpi led to a reaction time advantage in the fastest trials. In summary, bird experts form elaborate object representations that include information about the internal features of birds allowing them to make fast and accurate subordinate-level recognition for objects in their domain of expertise. Meeting abstract presented at VSS 2014
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 ».