MétaCan
Menu
Retour à la cohorte
Enregistrement W2028003743 · doi:10.1109/thms.2013.2284911

Detection and Discrimination of Motion-Defined Form: Implications for the Use of Night Vision Devices

2013· article· en· W2028003743 sur OpenAlexafffund
Robert S. Allison, Todd Macuda, Sion Jennings

Notice bibliographique

RevueIEEE Transactions on Human-Machine Systems · 2013
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensNational Research Council CanadaYork University
Organismes subventionnairesUniversity of TorontoYork University
Mots-clésLuminanceArtificial intelligenceComputer visionStimulus (psychology)Computer scienceImage noiseGaussian noiseDecorrelationNoise (video)Night visionMathematicsOpticsPhysicsImage (mathematics)Psychology

Résumé

récupéré en direct d'OpenAlex

Superimposed luminance noise is typical of imagery from devices used for low-light vision such as image intensifiers (i.e., night vision devices). In four experiments, we measured the ability to detect and discriminate motion-defined forms as a function of stimulus signal-to-noise ratio at a variety of stimulus speeds. For each trial, observers were shown a pair of image sequences - one containing dots in a central motion-defined target region that moves coherently against the surrounding dots, which moved in the opposite or in random directions, while the other sequence had the same random/uniform motion in both the center and surrounding parts. They indicated which interval contained the target stimulus in a two-interval forced-choice procedure. In the first experiment, simulated night vision images were presented with Poisson-distributed spatiotemporal image noise added to both the target and surrounding regions of the display. As the power of spatiotemporal noise was increased, it became harder for observers to detect the target, particularly at the lowest and highest dot speeds. The second experiment confirmed that these effects also occurred with low illumination in real night vision device imagery, a situation that produces similar image noise. The third experiment demonstrated that these effects generalized to Gaussian noise distributions and noise created by spatiotemporal decorrelation. In the fourth experiment, we found similar speed-dependent effects of luminance noise for the discrimination (as opposed to detection) of the shape of a motion-defined form. The results are discussed in terms of physiological motion processing and for the usability of enhanced vision displays under noisy conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,021
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,132
Tête enseignante GPT0,357
Écart entre enseignants0,224 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations3
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Human-Machine SystemsMême sujetVisual perception and processing mechanismsTravaux en français237 207