How far away is your phone in this picture? Determining object distance and size in a 2D scene
Notice bibliographique
Résumé
How do we judge the distance of familiar objects seen within a picture? If the physical size is known, the object’s distance can be judged relative to other objects in the scene, but without such references the viewer must estimate its distance solely from their knowledge of its size. How well can we do that? Using remote testing via PAVLOVIA, participants viewed a rectangular block, scaled to the size of their personal smartphone, placed upright in a hallway scene that provided ambiguous distance information, displayed on a computer screen viewed at 50cm. In exp1 (n=74), they were given 5 sizes of block and adjusted their distances to look correct based on the known physical phone size. In a second task, they adjusted its visual size when it was placed at the same distances they had set in the first task. In exp2 (n=60), the task order was reversed, and distances were also given in meters. Participants could differentiate the distances and sizes of their phone in the correct order (small farthest) but consistently set its size larger than expected (p < .001). When setting its size at the distance they had previously chosen as consistent with a given size, they surprisingly set it significantly larger (p < .001). In exp2, where they set size first, the distances set in task 2 were not significantly different from task 1 (p = .936). Participants could not use distance given in meters. Our results suggest that people misjudge the visual size of a familiar object based on its perceived distance, setting it much too big. When determining object distance based on visual size, however, they are quite consistent. The perceptual relationship between size and distance seems to break down when an object of known physical size is placed in a 2D scene.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».