Notice bibliographique
Résumé
Current approaches to lightness perception include low-level and mid-level models. Low-level models are computational, but have no representation of important factors such as lighting conditions. Mid-level models incorporate such factors, but are typically conceptual rather than genuinely computational, and this limits both their usefulness and our ability to derive testable predictions from them. Here I use Markov random field (MRF) methods to develop a computational mid-level model of lightness perception. The model makes simple statistical assumptions about local patterns of lighting and reflectance, and uses belief propagation and simulated annealing to find globally maximum a posteriori estimates of lighting and reflectance in stimulus images. To simplify this first implementation, I model lightness perception in stimuli on a 16 x 16 pixel grid; within this constraint one can recreate many lightness illusions (e.g., the argyle illusion) and many lightness phenomena (e.g., simultaneous contrast). The model assumes that (1) reflectance spans the range 3% to 90%, (2) illuminance (incident lighting) spans 0 to 100,000 lux, (3) illuminance edges are less common than reflectance edges, (4) illuminance edges tend to be straighter than reflectance edges, and (5) reflectance and illuminance edges usually occur at image luminance edges. Guided by these few simple assumptions, the model arrives at human-like interpretations of lightness illusions that have been problematic for previous models, including the argyle illusion, snake illusion, Koffka ring, and their control conditions. The model also reproduces important phenomena in human lightness perception, including simultaneous contrast and anchoring to white. Thus an MRF model that incorporates simple assumptions about reflectance and lighting provides a strong mid-level computational account of lightness perception over a wide range of conditions. It also illustrates how MRFs can be used to develop more powerful models of constancy that incorporate factors such colour and 3D shape. Meeting abstract presented at VSS 2018
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».