MétaCan
Menu
Retour à la cohorte
Enregistrement W2894131099 · doi:10.1167/18.10.236

Category-specific guidance of gaze in photographs and line drawings

2018· article· en· W2894131099 sur OpenAlexaff
Claudia Damiano, John Wilder, Dirk B. Walther

Notice bibliographique

RevueJournal of Vision · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueVisual Attention and Saliency Detection
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésGazeSalience (neuroscience)Line drawingsOrientation (vector space)Artificial intelligenceGrayscaleComputer visionLuminanceComputer sciencePsychologyCognitive psychologyMathematicsImage (mathematics)GeometryEngineering drawing

Résumé

récupéré en direct d'OpenAlex

Our group has previously shown that scene content can be predicted from eye movements observers make when viewing colour photographs. The time course of category predictions reveals differential contributions of bottom-up and top-down processes at different viewing times. Here, we use these known differences in order to determine when and to what extent image features at different representational levels contribute toward guiding gaze in a content-specific manner. 77 participants viewed grayscale photographs and line drawings of real-world scenes. In a leave-one-subject-out cross validation analysis, scene categories were predicted from gaze patterns over a 2-second time course. Scene categories could be predicted from gaze at all times in both photographs (average accuracy = 31.4%, chance = 16.7%, p < 0.0001) and line drawings (30.0%, p < 0.0001). We also replicate the time course, with an initial steep decrease in prediction accuracy from 300ms to 500ms, representing the contribution of bottom-up information, followed by a steady increase, representing top-down knowledge of category-specific information. Using DeepGaze II as the leading model of salience, we reconfirm a strong early contribution of bottom-up effects in grayscale photographs. We computed the low-level (luminance contrasts and orientation statistics) and mid-level features (local symmetry and contour junctions) from the images in order assess their differential contributions to content-specific guidance of gaze. For photographs, we find qualitatively similar contributions of these representational levels, contributing mostly to the initial bottom-up peak. For line drawings of the same scenes, we observe that mid-level features that describe scene structure (symmetry and junctions) play a more prominent role in the top-down guidance of gaze. Thus, we show that bottom-up information contributes less to gaze behaviour for line drawings than for photographs, and that structural features increasingly guide category-specific gaze when images are reduced to line drawings. 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,750
Score d'incertitude au seuil0,172

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,299
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetVisual Attention and Saliency DetectionTravaux en français237 207