MétaCan
Menu
Retour à la cohorte
Enregistrement W3196850713 · doi:10.1167/jov.21.9.2580

How far away is your phone in this picture? Determining object distance and size in a 2D scene

2021· article· en· W3196850713 sur OpenAlexaff
John Jong-Jin Kim, Laurence R. Harris

Notice bibliographique

RevueJournal of Vision · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueGaze Tracking and Assistive Technology
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésTask (project management)Set (abstract data type)Object (grammar)PhoneBlock (permutation group theory)Block sizeComputer scienceDisplay sizeComputer visionArtificial intelligenceMathematicsStatisticsCombinatoricsEngineering

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
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 savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,273
Écart entre enseignants0,259 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetGaze Tracking and Assistive TechnologyTravaux en français237 207