Material perception: What can you see in a brief glance?
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
People can recognize natural objects and natural scenes with remarkable speed, even when they have never seen the pictures before (Biederman et al., 1974; Potter, 1975, 1976; Thorpe et al., 1996; Greene & Oliva, 2008). But how quickly can people recognize natural materials? We built an image database containing 1000 images of 9 material categories (e.g., paper, fabric, glass, etc). To prevent subjects from simply doing object recognition, we used cropped images in which overall object shape was not a useful cue. To prevent subjects from simply using color, texture, or other low level cues, we chose images with highly diverse appearances. For example, “plastic” includes close-ups of red trash bags, transparent CD cases, and multi-colored toys. Images were obtained from websites like flickr.com. We found that humans can correctly categorize images with very short durations and in challenging conditions (e.g., 40 msec followed by a noise mask, or presented in the middle of an RSVP stream at 40msec per image). When we degraded the images by simple manipulations like removing color, or blurring, or inverting contrast, performance was reduced but was still surprisingly good. We also measured recognition speed with reaction time. To measure baseline RT, we gave subjects very simple visual tasks (e.g., Is this disc red or blue? Is this diagonal line tilted left or right?). We then asked them to make a 3-way material category judgment (e.g., paper or plastic or fabric?). Material categorization was nearly as fast as baseline. Beyond judgments of material category, observers can judge dimensions of material appearance like matte/glossy, opaque/translucent, rigid/non-rigid, soft/rough, warm/cool reliably even in 40 ms presentations. In conclusion, material perception is fast and flexible, and can have the same rapidity as object recognition and scene perception. NTT Communication Science Laboratories, Japan National Science Foundation.
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 | 0,000 | 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