Identification of 3D shape from texture and motion across the visual field
Notice bibliographique
Résumé
Little is known about the perception of 3D shape in the visual periphery. Here we ask whether identification accuracy in shape-from-texture and shape-from-motion tasks can be equated across the visual field with sufficient stimulus magnification. Both tasks employed 3D surfaces comprising hills, valleys, and plains in three possible locations, yielding a 27 alternative forced-choice task (27AFC). Participants performed the task at eccentricities of 0 to 16 deg in the right visual field over a 64-fold range of stimulus sizes. Performance reached ceiling levels at all eccentricities, indicating that stimulus magnification was sufficient to compensate for eccentricity-dependent sensitivity loss. The parameter E(2) (in the equation F = 1 + E / E(2)) was used to characterize the rate at which stimulus size must increase with eccentricity (E) to achieve foveal levels of performance. Three parameter models (mu, sigma, and E(2)) captured most of the variability in the psychometric functions relating stimulus size and eccentricity to accuracy for all participants' data in the two experiments. For the shape-from-texture task, the average E(2) was 1.52, and for the shape-from-motion task, it was 0.61. The E(2) values indicate that sensitivity to structure from motion declines at a faster rate with eccentricity than does sensitivity to structure from texture. Although size scaling with F = 1 + E / E(2) eliminated most eccentricity variation from the structure-from-motion data, there was some evidence that E(2) increases as accuracy decreases in the shape-from-texture task, suggesting that there may be more than one eccentricity-dependent limitation on performance in this task.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».