The temporal profile of visual encoding in the recognition of familiar objects
Notice bibliographique
Résumé
Processing effectiveness trough time in visual object recognition was investigated using random temporal stimulus sampling. Twelve young adults named photographs of familiar objects from the Bank of Standardized Stimuli. Stimuli were made by a linear combination of the target image and high density white visual noise. Signal-to-noise ratio varied throughout the 200 ms stimulus duration. A new temporal sampling function was generated on each trial by the integration of random amplitude and phase sinusoidal waves of frequency between 5 and 60 Hz. Individual temporal classification images were calculated by subtracting the weighted sum of the signal/noise ratio associated to errors from that associated to correct responses. Time-frequency classification images were obtained by applying the same procedure on the outcome of time-frequency analyses applied to the sampling functions of each trial. The mean temporal classification image indicates that processing effectiveness is lowest at target onset, then rises to a peak at 79–88 ms to then gradually decline to about its initial level until 200 ms. This temporal pattern was highly variable across participants. The highest effectiveness peak revealed by the mean time-frequency classification image occurred in the 0–67 ms time window for 25–35 Hz stimulus oscillations. The amplitude of this peak slowly declined from 67 to 167 ms while gradually shifting towards lower frequencies down to 10–15 Hz. Stimulus oscillation frequencies around 35–55 Hz in the 67–167 ms range were associated with the lowest processing effectiveness. However, a subset of these frequencies (40–50 Hz) led to high effectiveness between 133–200 ms. This time-frequency pattern was remarkably similar across participants, with a mean between-subjects correlation of .93. The present results indicate rapid variations of visual encoding effectiveness in the initial 200 ms of stimulus exposure and suggests that the time-frequency classification images tap a highly fundamental aspect of visual processing.
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 | 0,004 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».