Contour sparseness and the interactions in the visual processing of local phase alignment of natural scene contours
Notice bibliographique
Résumé
The phase spectra of natural scene imagery play a central role regarding where contours occur, thereby defining the spatial relationship between those features in the formation of image structure. Thus, we were interested in 1) measuring the relative amount of local spatial phase alignment needed by humans to extract contours from an image, and 2) determine if those measurements depended on the contour “sparseness” at different spatial frequencies (SF). We examined this with a match-to-sample task that used either natural scene images or noise images possessing naturalistic contours, grouped with respect to their level of sparseness. Phase alignment in the stimuli was controlled by band-pass filtering the phase spectra, where phase angles falling within the filter's pass-band were preserved, and everything else randomized. Filter widths were varied (0.3 octave steps) about one of three central SFs (3, 6, 12cpd). On any given trial, following a 250ms presentation of a partially phase-randomized image, participants were simultaneously shown (2sec) four images and asked which one corresponded to the previously viewed, partially phase-randomized image. Results indicated that 1) the bandwidth of local spatial phase alignment needed to match image contours depended on the relative sparseness of the original image; 2) for contours falling within the 6cpd central SF filter, less phase alignment was needed as compared to the other central SFs; 3) contour sparseness outside of a given filter's central SF was not found to interfere with the amount of phase alignment needed to match image contours.
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 | 0,000 | 0,006 |
| 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 | 0,000 |
| 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 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 ».