MétaCan
Menu
Retour à la cohorte
Enregistrement W2007538239 · doi:10.1167/14.10.1427

Spatial integration of orientation-defined texture

2014· article· en· W2007538239 sur OpenAlexaff
Gunnar Schmidtmann, Ben J. Jennings, Jason Bell, F. A. A. Kingdom

Notice bibliographique

RevueJournal of Vision · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Vision Systems and Defect Detection
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésCurvatureOrientation (vector space)Texture (cosmology)SummationMathematicsSpatial frequencyNoise (video)SIGNAL (programming language)PhysicsGeometryMathematical analysisOpticsArtificial intelligenceComputer sciencePsychology

Résumé

récupéré en direct d'OpenAlex

Previous studies have reported linear summation for Glass patterns from measures of detection thresholds as a function of signal area, and have proposed specialized concentric orientation texture detectors (Wilkinson et al., 1997; cf. Dakin & Bex, 2002). Motivated by these findings and recent results in curvature discrimination showing strong summation of curvature information for circular segments up to 180˚ (semi-circle) (Schmidtmann et al., 2013), we investigated spatial integration for a variety of different orientation-defined textures (circular, radial, spiral, translational) composed of 150 Gabor patches. In a 2AFC, subjects had to detect the texture in a single randomly positioned pie-wedge sector of varying angular extent ranging from 36˚ - 360˚. The signal to noise ratio in that sector was varied, whereas the remaining array contained randomly oriented elements (noise only). Results show that, contrary to previous studies, detection thresholds for all texture types decrease with angular extent following a power-law function with an exponent around -0.5. To investigate the role of spatial uncertainty we fixed the angular position of the sector containing signal elements. This improved performance disproportionately for small sectors, resulting in even weaker summation across angular extent and can therefore not explain any lack of summation. Next we analyzed the correlation between correct responses and clustering of signal elements. Results show that observers are more likely to make correct responses if signal elements are clustered (high density). To summarize, we found that, a) the detection of orientation-defined texture is independent of texture type; b) summation across area was weaker than reported previously and c) summation strength is further reduced by adding spatial certainty. We suggest that detecting local clusters of signal elements might limit the detection of global form in these textures. 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,497
Score d'incertitude au seuil0,192

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,252
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetIndustrial Vision Systems and Defect DetectionTravaux en français237 207