MétaCan
Menu
Retour à la cohorte
Enregistrement W2050710975 · doi:10.1167/5.8.463

Different mechanisms encode the shapes of contours and contour-textures

2010· article· en· W2050710975 sur OpenAlexaff
Frederick A. A. Kingdom, Nicolaas Prins

Notice bibliographique

RevueJournal of Vision · 2010
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésArtificial intelligenceTexture (cosmology)Computer visionAdaptation (eye)Contour lineShape analysis (program analysis)Octave (electronics)Computer scienceMathematicsPattern recognition (psychology)AcousticsOpticsImage (mathematics)PhysicsGeographyCartography

Résumé

récupéré en direct d'OpenAlex

Aim. It is often assumed that curved contours, and textures made from parallel curved contours, are processed by the same mechanism. However, recent evidence from primate neurophysiology and brain-imaging studies suggests that contours and textures might be processed by different mechanisms. We used an adaptation paradigm to test whether the shapes of contours and contour-textures were encoded by the same or by different mechanisms. Method. Subjects adapted to pairs of sinusoidally-shaped contours or contour-textures. The two stimuli from each pair were an octave apart in shape frequency and presented above and below fixation. During the test phase, subjects indicated which of two test contours/contour-textures had the highest shape frequency, and an adaptive procedure found their PSE. Results. Adaptation to contours produced significant shifts in the perceived shape frequency of contours, but relatively little shift in the perceived shape frequency of contour-textures. Adaptation to contour-textures produced significant shifts in the perceived shape frequency of textures, but relatively little shift in the perceived shape frequency of contours. Conclusion. The shapes of contours and contour-textures are encoded by different mechanisms.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,226

Scores Codex et Gemma par catégorie

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

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 Opus0,029
Tête enseignante GPT0,327
Écart entre enseignants0,298 · 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 tête enseignante, pas un consensus.

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

Citations9
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetVisual perception and processing mechanismsTravaux en français237 207