Rapid category learning: Naturalized images to abstract categories
Notice bibliographique
Résumé
Object categories are the perceptual glue that holds our visual world together. They allow us to recognize familiar instances and extend recognition to novel ones. Although object categorization has been studied using supervised learning techniques, less is known about how they are spontaneously acquired through unsupervised learning. In this study, we examined how temporal contiguity contributes to this spontaneous abstraction of object categories during passive viewing. We hypothesized that viewing exemplars of the same category closer in time would support better abstraction of the visual properties that distinguish one object category from another, and facilitate better category formation. Participants passively viewed a continuous sequence of 160 natural images of four warbler species (40 images per species). Images were presented serially for 500 ms per image with no visual masking. In a blocked condition, participants viewed images grouped by species (e.g., 40 images of Cape May warblers, followed by 40 images of Magnolia warbler, etc.). In a mixed condition, participants viewed images presented in random order. Participants then completed a "same/different" test using novel warbler images. A study image was presented for 500 ms, and then a test image was presented for 500 ms. Participants responded "same" if the images depicted warblers of the same species or "different" if they depicted different species. Participants in the blocked presentation condition performed reliably better on the same/different task (d' = 1.96) than participants in the mixed presentation condition (d' = 1.30, p < .05) and participants in a control condition who received no presentations prior to test (d' = 1.19, p < .01). Performance in the mixed presentation and control conditions did not reliably differ, p > .10. These results suggest that temporal contiguity may enhance the visual system's ability to rapidly extract statistical regularities involved in category learning. 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 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».