Spatial frequency and object categorization level
Notice bibliographique
Résumé
Research on the contribution of different spatial bands to object recognition has been prolific, but there has been relatively little work examining how spatial factors and level of categorization task interact. In this study we examined the effects of spatial frequency filtering on object categorization at the Basic, Subordinate and Superordinate levels. In each trial, subjects were shown first a word at either the Basic level (e.g., Dog, Car, Boat, etc.), the Subordinate level (e.g., Collie, Limousine, Sailboat, etc.), or the Superordinate level (e.g., Animal, Vehicle) and then a picture of an object. Their task was to indicate if the pictured object matched the word. The picture could be either low-passed (50% cutoff at 8.0 cycles/image width), high-passed (50% cutoff at 16.0 cycles/image width) or full-bandwidth. The design was blocked along the spatial frequency and category level dimensions; trials were otherwise completely randomized. Reaction time and error rates were assessed. Our results show that while both superordinate and subordinate classifications are adversely affected by spatial filtering, basic-level categorization is robust to this manipulation. Subordinate classification proved especially vulnerable to low-passing. These findings are in agreement with previous studies suggesting that basic-level representations are robust to changes in image information (rotation, scrambling, etc.). These results also suggest that differences in the level of categorization task may explain in part differences in findings regarding which spatial bands are most effective for object recognition.
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 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».