Detection and Discrimination of Motion-Defined Form: Implications for the Use of Night Vision Devices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle