Spatial frequency streams in natural scene categorization
Notice bibliographique
Résumé
We used the Bubbles method (Gosselin & Schyns, 2001) to examine the effective use of spatial frequencies through time in natural scene categorization. Two observers (C.E and K.T) categorized a total of 8640 dynamic stimuli (6 deg2 of visual angle*180ms) composed of one of 720 natural scenes from six categories (beach, city, mountain, forest, highway and landscape). Each of our stimuli was composed of 18 frames, made from the dot product of the Fourier spectrum of a scene with 2D white Gaussian noise convolved with a Gaussian function (Std's = 0.08 of the Nyquist frequency and 79 ms). We performed a linear regression on reaction times and sampling noise. The resulting classification image shows the use of different spatial frequencies across the 18 frames composing every animation. We conducted a one tailed Z-score analysis based on random field theory (Chauvin et al, submitted) in order to reveal the use of spatial frequency as a function of time. The classification image (Z > 3.8, p < 0.01) reveals the use of three narrow bands of spatial frequencies across time. Low frequencies (1 c/dg) are first to reach signifiance (between 10 and 90 ms), followed by mid frequencies (6 c/dg, significant between 30 and 120 ms) and finally higher frequencies (12 c/dg, significant between 70 to 100 ms). Superficially, this result corroborates the coarse-to-fine hypothesis (Parker, Lishman, & Hughes, 1992) of natural scenes categorization. It allows, however, a much finer analysis of the information subtending the first moments of visual categorization.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».