Concavity and convexity of conjoint surfaces underlie neural and behavioral categorization of scenes and objects
Notice bibliographique
Résumé
Scene recognition and object recognition are crucial for humans to interact with the world. Places and objects are processed differently and even in anatomically separate brain regions. However, little is known about how the brain triages visual input into the scene versus object processing stream. Places are often characterized by concave boundaries that enclose the local environment, whereas objects are typically encountered as individual entities bounded by convex conjoint surfaces. In this study, we ask whether concavity and convexity of conjoint surfaces might differentiate between scenes and objects. We hypothesize that visual cues of concavity would selectively activate scene-selective processes whereas cues of convexity would selectively activate object-selective processes. In Experiment 1, we created artificial images that vary parametrically in the angle at which two planar surfaces conjoin. There were seven stimulus conditions: three concave, three convex and one flat condition. Planar surfaces in the concave conditions converge in depth, whereas those in the convex conditions diverge in depth. Participants (N=13) viewed stimuli in blocks of 12s while performing a one-back repetition detection task in the fMRI scanner. We measured the univariate response of a scene-selective area (parahippocampal place area; PPA) and an object-selective area (lateral occipital complex; LOC). Consistent with our hypothesis, PPA is sensitive to changes in concavity but not convexity of conjoint surfaces. Conversely, LOC shows an overall greater response to convex than concave conditions. In Experiment 2, we created line drawings of the stimuli from Experiment 1 and asked 100 participants to behaviorally categorize these line drawings as scenes or objects. Consistent with our neural finding, participants categorized line drawings in concave conditions as scenes and those in convex conditions as objects. Together, our results show that concavity and convexity of conjoint surfaces underlie both neural and behavioral categorization of scenes and objects. 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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».