MétaCan
Menu
Retour à la cohorte
Enregistrement W3198376003 · doi:10.1167/jov.21.9.2190

The Importance of Internal and External Features in Face Recognition

2021· article· en· W3198376003 sur OpenAlexaffabout
Menahal Latif, Margaret C. Moulson

Notice bibliographique

RevueJournal of Vision · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueFace recognition and analysis
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésFace (sociological concept)Set (abstract data type)PsychologyFacial recognition systemPerceptionIdentity (music)SortingArtificial intelligencePattern recognition (psychology)Cognitive psychologyComputer scienceCommunicationLinguistics

Résumé

récupéré en direct d'OpenAlex

Past research in the field of face perception has found that external facial features (hair, ears, face contour) better facilitate recognition of unfamiliar faces, whereas internal facial features (eyes, nose, mouth) support the recognition of familiar faces. In the current study, we investigate the differential use of internal and external features for the recognition of faces that vary in familiarity and race. White-Canadian participants (target sample size = 260) complete an online card sorting task in which they are given a set of cards containing photographs depicting individual faces. They are instructed to sort the cards into piles for each identity present in the set. Each participant sorts a set of cards with either own-race familiar, own-race unfamiliar, other-race familiar, or other-race unfamiliar faces. These faces are modified to contain only internal features, only external features, or both. Face recognition accuracy is measured by calculating the number of piles (or perceived identities) and the number of misidentification errors. Using a signal detection framework, we will calculate a sensitivity score for each participant to assess their recognition accuracy. Preliminary data from 44 adult participants in the whole face conditions reveal a) an own-race advantage in unfamiliar face recognition; participants perceived more identities when sorting other-race unfamiliar faces (mean = 6.93) versus own-race unfamiliar faces (mean = 4.89), and b) a familiar face advantage (mean = 3.98). We are currently recruiting 220 participants for the internal features and external features conditions and expect to find greater reliance on internal features for familiar faces and external features for unfamiliar faces. Moreover, we expect there to be a greater reliance on internal features for own-race as compared to other-race faces. These results will offer insight into how reliance on internal and external facial features differs based on familiarity and race.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,930
Score d'incertitude au seuil0,119

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,284
Écart entre enseignants0,271 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
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

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetFace recognition and analysisTravaux en français237 207