Shape recognition: convexities, concavities and things in between
Notice bibliographique
Résumé
Previous studies on shape recognition have drawn different conclusions regarding the importance of specific object features, such as convexities, concavities and intermediate points. Some studies found evidence for a predominant role of convexities, whereas others favored concavities or intermediate parts. However, most studies have employed familiar objects or simple geometric shapes not necessarily containing curves (polygons) as their stimuli. Here we present a novel set of shapes with well-defined convexities, concavities and points between convexities and concavities. The shapes were composed of the sum of three different radial frequency (RF) components with random phases, segmented to remove all but variable lengths of contour centred on the feature of interest. Observers were required to match the segmented test shape to one of two subsequently presented whole-contour re-scaled test shapes. Observers were never presented with the same shape twice. Results show that for short (dot-sized) segment lengths, performance was significantly higher for convexities than for either concavities or intermediate points. For the convexities, performance remained constant as a function of segment length, and although performance improved with segment length for concavities and intermediate points, it only reached convexity performance at the largest lengths tested. No significant differences between concavities and intermediates were found. We present a model by which positions of convexities are extracted and connected to form shape primitives (polygons) that are matched to the test shapes. These results indicate that these closed shapes are encoded from the positions of convexities, rather than from the positions of either concavities or intermediates. Meeting abstract presented at VSS 2015
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».