Notice bibliographique
Résumé
We seek to understand the statistical regularities in the bounding contours of natural shapes, and how the human visual system exploits these regularities for perceptual grouping and object recognition. Here we employed a dataset of 391 animal shapes, approximated as equilateral polygons. From this dataset we extracted a set of low-order statistical features, including expected circular variance, skew and kurtosis of angles as well as the circular correlation between neighbouring angles. To measure human selectivity for these features, we developed a method for generating contour metamers that match the natural contours on selected subsets of these features, but which lack all other statistical regularities found in the natural shapes. The main challenge here is the constraint that metamers be simple (non-intersecting) closed contours. To solve this problem, we developed a novel method for constructing and sampling from generative maximum entropy models that satisfy all of these constraints. Psychophysical Methods. In a two-interval task without feedback, observers were asked to distinguish between two fragments of contour, one from an animal shape and one from a metamer. We measured the length of the contour fragment required for threshold performance. Results. Matching the expected variance between animal and metamer shapes raised thresholds for all observers, pointing to human selectivity for angular variance information (variation in curvature). At the same time, an ideal observer using only the expected variance performed much better than humans at discriminating unconstrained metamers and animal shapes, indicating that human encoding of this cue is far from perfect. Interestingly, ideal observer models that also exploit higher-order cues (expected skew, kurtosis, correlation between neighbouring angles) fall short of human performance for discriminating natural shapes from metamers that are matched in angle variance, suggesting that humans rely on more complex global cues for discriminating natural shapes. Meeting abstract presented at VSS 2013
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 | 0,001 |
| 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) | 0,001 | 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 ».