Spatio-temporal use of information in face recognition
Notice bibliographique
Résumé
Most researchers now believe that human observers use a default coarse-to-fine strategy (i.e., from low to high spatial frequencies) to extract face information (e.g., Morrisson & Schyns, in press). Schyns, Bonnar & Gosselin (in press) recently discovered an analoguous differential use of face information along the spatial location and spatial frequency dimensions (see also Gosselin & Schyns, 2001). In sum, we know how time and frequency, as well as how frequency and location interact in face recognition; however, we do not know how location and time interact (neither do we know how spatial location, spatial frequency, and time interact, but this is another story). Here, we explore the spatio-temporal use of information in face recognition. Our stimuli set comprised 30 faces (i.e., [5 males + 5 females] * 3 expressions). The stimuli subtended 5.72 × 5.72 deg of visual angle and were presented for 320 ms. We utilized a novel technique called Bubbles (Gosselin & Schyns, 2001) to reveal directly the effective use of visual information. In a nutshell, we sampled space and time with small Gaussian windows (standard deviation = .22 deg in space and 43 ms in time), and adjusted their number on-line to maintain performance at 75% correct. We ran 10 subjects. A proportion-correct-when-available statistics was computed for each pixel (i.e., first order statistics); higher-order statistics were also computed. We obtained clear spatio-temporal modulations of effective use of information.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».