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 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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».