Gaze behavior during 3-D face identification is depth cue invariant
Notice bibliographique
Résumé
Gaze behavior during scene and object recognition can highlight the relevant information for a task. For example, salience maps-highlighting regions that have heightened luminance, contrast, color, etc. in a scene-can be used to predict gaze targets. Certain tasks, such as face recognition, result in a typical pattern of fixations on high salience features. While local salience of a 2-D feature may contribute to gaze behavior and object recognition, we are perfectly capable of recognizing objects from 3-D depth cues devoid of meaningful 2-D features. Faces can be recognized from pure texture, binocular disparity, or structure-from-motion displays (Dehmoobadsharifabadi & Farivar, 2016; Farivar, Blanke, & Chaudhuri, 2009; Liu, Collin, Farivar, & Chaudhuri, 2005), and yet these displays are devoid of local salient 2-D features. We therefore sought to determine whether gaze behavior is driven by an underlying 3-D representation that is depth-cue invariant or depth-cue specific. By using a face identification task comprising morphs of 3-D facial surfaces, we were able to measure identification thresholds and thereby equate for task difficulty across different depth cues. We found that gaze behavior for faces defined by shading and texture cues was highly comparable, but we observed some deviations for faces defined by binocular disparity. Interestingly, we found no effect of task difficulty on gaze behavior. The results are discussed in the context of depth-cue invariant representations for facial surfaces, with gaze behavior being constrained by low-level limits of depth extraction from specific cues such as binocular disparity.
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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».