Depth discrimination from occlusions in 3D clutter scenes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objects such as trees, shrubs, and tall grass typically consist of thousands of small surfaces that are distributed randomly over a 3D volume. Despite the common occurrence of such 3D clutter in natural scenes, relatively little is known about how well humans can perceive depths of surfaces within such 3D clutter. Previous studies have concentrated on motion parallax and binocular disparity cues and have asked questions such as how many discrete depth planes can be perceived, and what is the depth-to-width ratio. However, these studies are incomplete because they have ignored occlusions which are omnipresent in such scenes. Here we present a depth discrimination experiment that examines occlusion cues directly. The task is to discriminate the depths of two red target surfaces in a 3D field of random gray distractors. The experiment uses an Oculus Rift DK2 display which allows us to control motion parallax and binocular disparity cues. The clutter itself provides two occlusion-based depth cues. The first is a 'visibility cue', namely, the target that is less visible is more likely to be deeper within the clutter [Langer and Mannan, JOSA 2012]. The second is a 'context cue', namely the target with the deepest occluder is itself more likely to be deeper. We define scene classes with all four combinations of visibility and occlusion cues and use staircases to measure depth discrimination thresholds. Our results show that observers use both visibility and context cues to perform the task, even when stereo and motion parallax cues are also present. To our knowledge, this is the first experiment to examine depth from occlusions in 3D clutter and to identify the important role played by visibility and context cues in solving this natural problem. Meeting abstract presented at VSS 2016
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.
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 découle