MétaCan
Menu
Retour à la cohorte
Enregistrement W2078672439 · doi:10.1167/14.2.10

Feature integration within and across visual streams occurs at different visual processing stages

2014· article· en· W2078672439 sur OpenAlexafffund
Clint J. Perry, Ahmed Tahiri, Mazyar Fallah

Notice bibliographique

RevueJournal of Vision · 2014
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésVisual processingComputer visionFeature (linguistics)Artificial intelligenceSegmentationComputer scienceIllusionObject (grammar)DorsumPerceptionOptical illusionProcess (computing)Motion perceptionMotion (physics)Pattern recognition (psychology)CommunicationNeuroscienceBiologyPsychologyAnatomy

Résumé

récupéré en direct d'OpenAlex

Direction repulsion is a perceptual illusion in which the directions of two superimposed surfaces are repulsed away from the real directions of motion. The repulsion is reduced when the surfaces differ in dorsal stream features such as speed. We have previously shown that segmenting the surfaces by color, a ventral stream feature, did not affect repulsion but instead reduced the time needed to process both surfaces. The current study investigated whether segmenting two superimposed surfaces by a feature coprocessed with direction in the dorsal stream (i.e., speed) would also reduce processing time. We found that increasing the speed of one or both surfaces reduced direction repulsion. Since color segmentation does not affect direction repulsion, these results suggest that motion processing integrates speed and direction prior to forming an object representation that includes ventral stream features such as color. Like our previous results for differences in color, differences in speed also decreased processing time. Therefore, the reduction in processing time derives from a later processing stage where both ventral and dorsal features bound into the object representations can reduce the time needed for decision making when those features differentiate the superimposed surfaces from each other.

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)0,001
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 enseignants0,163
Score d'incertitude au seuil0,499

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,001
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 Opus0,029
Tête enseignante GPT0,373
Écart entre enseignants0,345 · 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

Citations13
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

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