Notice bibliographique
Résumé
Background: Deep network models are relatively successful at predicting both performance and neural activations on object recognition tasks. However, recent work suggests that these models rely largely on local features rather than global shape, whereas humans, while sensitive to local 2D shape (curvature), are easily able to discriminate natural shapes from synthetic shapes with matched curvature statistics. Here we assess two alternative shape models that could account for this human sensitivity to 2D shape beyond local curvature: 1) Pooling – shape information is pooled over a collection of independently-coded fragments or parts; 2) Configural – the representation depends on the arrangement of these parts over the entire shape. Method: We employed a dataset of 2D animal shapes approximated as 120-segment outline polygons and local ‘metamers’ – closed contours that match the local curvature statistics of the animal shapes. In a two-interval task, five observers discriminated between a stimulus containing only animal contour fragments and a second stimulus containing only metamer fragments, while the length of the fragments was varied from 2 segments (local) to 120 segments (global). There were two conditions: 1. A single fragment displayed centrally. 2. Multiple fragments displayed within a 7.5 deg circular window. The number of fragments was selected to yield a total of 120 turning angles, matching the full-shape condition. Results: For both single- and multi-fragment conditions, performance rises from chance to near 100% as fragment length increases from 2 to 120, reflecting human sensitivity to 2D shape beyond local curvature. Interestingly, there is little difference in the psychometric functions for the single- and multi-fragment conditions (75%-correct thresholds of 24 +/- 7 vs 18 +/- 6 segments), indicating very little pooling across fragments. This suggests that human shape perception is highly configural, posing a challenge to recent deep learning accounts of object coding.
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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».