Same calculation efficiency but different internal noise for luminance- and contrast-modulated stimuli detection
Notice bibliographique
Résumé
There is no consensus on whether luminance-modulated (LM) and contrast-modulated (CM) stimuli are processed by common or separate mechanisms. To investigate this, the sensitivity variations to these stimuli are generally compared as a function of different parameters (e.g., sensitivity as a function of the spatial or temporal window sizes) and similar properties have been observed. The present study targets the sensitivity difference between LM and CM stimuli processing. Therefore, instead of studying the variation of sensitivity in different conditions, we propose to decompose the sensitivities in internal equivalent noise (IEN) and calculation efficiency (CE) to evaluate at which processing level the two mechanisms differ. For each stimulus type, the IEN and CE of four observers were evaluated using three different carriers (plaid, checkerboard, and binary noise). No significant CE differences were noted in all six conditions (3 carriers x 2 modulation types), but important differences were found between the IEN of the two stimulus types. These data support the hypothesis that the two pathways are initially separate and that the two stimuli may be treated by common mechanisms at a later processing stage. Based on ideal observer analysis, pre-rectification internal noise could explain the difference of IEN between LM and CM stimuli detection when using binary noise as a carrier but not when using a plaid or a checkerboard. We conclude that a suboptimal rectification process causes higher IEN for CM stimuli detection compared with LM stimuli detection and that the intrinsic noise of the binary carrier had a greater impact on the IEN than the suboptimal rectification.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».