Title: Convolutional Network Approach to Modelling Allocentric Landmark Impact on Target Localization
Notice bibliographique
Résumé
A critical question in visual processing is the degree to which egocentric and allocentric reference frames are utilized during target localization. For example Li et al (2017) tested their contributions using the cue conflict task on macaque monkeys, where the monkeys were presented with a target and an allocentric landmark. The landmark was then masked and shifted (or not shifted). During the shift paradigm the monkeys' final gaze position was siginificantly shifted towards the virtually shifted location of the target in allocentric coordinates. In the current work we attempted to model these results by utilizing a convolutional network (ConvNet) with a spatial transformer module. This model inputs a binary image containing a target localized at a particular spatial location as well as an allocentric landmark represented as the intersection of vertical and horizontal lines. It outputs a vector anchored at the (0,0) position on the image matrix, corresponding to the position on the array where the target has been calculated to lie in. The network achieves this through multilayer processing that begins by estimating and applying an affine transformation that accounts for differences in the target vs landmark coordinates, followed by convolution and regression for target localization. The affine transformation is learned through the spatial transformer which takes the image and applies the reverse of the transformations and then feeds the output to the convolutional and regressional layers (Jaderberg et al 2015). The model's outputs is in agreement with the findings in Li et al (2017): As the landmark is shifted away from the target, the network's choice is also shifted away from the target position. Future work will look to increase robustness in terms of target localization with respect to mutliple allocentric landmarks and to modify the model's architecture to include hand-crafted components to increase precision. 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».