MétaCan
Menu
Retour à la cohorte
Enregistrement W2076360154 · doi:10.1167/6.6.830

On seeing transparent surfaces in stereoscopic displays

2010· article· en· W2076360154 sur OpenAlexaff
Inna Tsirlin, Robert S. Allison, Laurie M. Wilcox

Notice bibliographique

RevueJournal of Vision · 2010
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésPerceptStereoscopyTransparency (behavior)Computer visionStereopsisComputer scienceArtificial intelligencePerceptionOpticsPhysicsPsychology

Résumé

récupéré en direct d'OpenAlex

Transparency presents an extreme challenge to stereoscopic correspondence and surface interpolation, particularly in the case of multiple transparent surfaces in the same visual direction. In this experiment we manipulate density, separation in depth, and number of transparent planes within a single experimental design, to evaluate the constraints on stereoscopic transparency. We use a novel task involving identification of patterned planes among the planes constituting the stimulus. The results show that, under these conditions, (1) subjects are able to perceive up to five transparent surfaces concurrently; (2) the transparency percept is impaired by increasing the texture density; (3) the transparency percept is initially enhanced by increasing the disparity between the surfaces; (4) the percept begins to degrade as disparity between surfaces is further increased beyond an optimal disparity, which is a function of element density. Specifically, at higher texture densities the optimal disparity shifts to smaller values. This interaction between disparity and texture density is surprising, but it can account for discrepancies in the existing literature. We are currently testing extended correlational and feature-based models of stereopsis with our stimuli. This will provide insight into our psychophysical results and a basis for quantitative evaluation of existing computational models.

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 enseignants0,108
Score d'incertitude au seuil0,240

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 Opus0,056
Tête enseignante GPT0,370
Écart entre enseignants0,314 · 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

Citations3
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

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