Rapid category learning in high-level vision: From face instances to person categories
Notice bibliographique
Résumé
A face varies in its retinal properties due to fluctuations in orientation, surface lighting and viewing distance. A person's facial appearance can be altered by makeup or changes associated with age and health status. Successful face recognition therefore requires that the range of face instances be correctly categorized as belonging to the same person. However, the perceptual factors governing this visual categorization process are not well understood. We hypothesized that person representations can be abstracted from a rapid and structured stream of face presentations. Using the RSVP method, participants passively viewed a continuous sequence of 160 different grey scale photographs of four Dutch female celebrities (40 photographs per celebrity). The photographs were centrally presented unmasked every 500 ms. In the blocked condition, the photographs were grouped by celebrity (e.g., 40 images of Celebrity A, 40 images of Celebrity B, etc.). In the mixed condition, the photographs were presented in random order. After two rounds of presentations, participants completed a "same/different" test in which two celebrity photographs were sequentially presented for 500 ms, each followed by a visual mask. Participants responded "same" if the photographs depicted the same celebrity or "different" if the photographs depicted two different celebrities. The test faces were novel and not seen during the presentation phase of the experiment. The main finding was that participants in the blocked presentation condition performed reliably better on the same/different task (d' = 2.21) than participants in the mixed presentation condition (d' = 1.74, p < .05) and participants in a no-presentation control condition (d' = 1.41, p < .001). Performance of participants in mixed and control conditions did not reliably differ, p > .10. These results suggest that the rapid presentation of many face instances, grouped by category promotes the efficient formation of person representations. 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.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».