Middle Spatial Frequencies are Needed for Face Recognition Only When Learned Faces are Unfiltered: Evidence from Spatial Frequency Thresholds for Matching
Notice bibliographique
Résumé
A number of studies (Gold, Bennett, & Sekuler, 1999; Nasanen, 1999; see Parker & Costen, 2001 for review) have suggested that middle spatial frequencies (SFs) are optimal for face recognition. A few recent studies (Liu et al., 2000; Collin et al., 2003; Kornowski & Petersik, 2003) have cast doubt on this, suggesting that perhaps it is the overlap in SFs between learned and tested faces that is the more important factor in determining how well spatially filtered faces are recognized. The latter studies predict that if learned faces are filtered in the same way as the tested faces, little or no advantage of middle SFs for face recognition will be found. In the present set of experiments, we set out to test this prediction by obtaining SF thresholds for recognition of low-passed and high-passed faces in a match-to-sample task. This was done under conditions where the choice faces were either unfiltered, or filtered in the same way as the target face. On each trial, observers were presented with a single low-passed or high-passed target face in the center of the screen, which was to be matched to one of four choice faces at the bottom of the screen. Observers adjusted the SF cutoff of the target face using keyboard buttons, until they reached the point at which recognition was just possible (i.e., the SF threshold for face matching). In one condition, the choice faces remained unfiltered throughout. In another condition, they were filtered in real time at the same spatial-frequency cutoff as the target face. Ten subjects were tested in each condition. Our results show that subjects require middle SF information when attempting to match a filtered face to unfiltered faces, but not when attempting to match face images filtered in the same way. This suggests that the high efficacy of middle SFs in face recognition is task-dependent and may arise due to interference from non-middle SFs in unfiltered learned images.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».