MétaCan
Menu
Retour à la cohorte
Enregistrement W39555859 · doi:10.1167/7.9.513

[sans titre]

2010· article· en· W39555859 sur OpenAlexaff
Catherine Éthier-Majcher, Daniel Fiset, Caroline Blais, Martin Arguin, Daniel N. Bub, Frédéric Gosselin

Notice bibliographique

RevueJournal of Vision · 2010
Typearticle
Langueen
DomaineComputer Science
ThématiqueHandwritten Text Recognition Techniques
Établissements canadiensInstitut Universitaire de Gériatrie de MontréalUniversity of VictoriaUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésIdentification (biology)FontSentenceComputer scienceWord (group theory)Contrast (vision)Natural language processingArtificial intelligenceConfusionSpeech recognitionPattern recognition (psychology)LinguisticsPsychology

Résumé

récupéré en direct d'OpenAlex

A word is unreadable unless its letters are separately identifiable. Taken from the recent article of Pelli, Farell and Moore (2003), this sentence underlines the crucial importance of letter identification for visual word recognition. Congruently, a fundamental purpose in the study of visual letter recognition is the discovery of the features responsible for accurate letter identification. In the last three decades, researchers have proposed sets of individual features, which predict relatively well letter identification performance and letter confusions. However, these descriptions are usually based more on intuitions regarding the information underlying letter similarity or on confusion matrices than on empirical data directly assessing the information used to recognize letters accurately. In the present study, we aim to reveal the potent features (Gosselin & Schyns, 2002) mediating uppercase and lowercase letter identification in Arial font letters. For this purpose, we explicitly determined the portions of each individual letter which drives its accurate identification. Six participants each identified 26,000 uppercase and lowercase Arial font letters (for a total of 312,000 trials) sampled in image location and spatial frequency by Bubbles (Gosselin & Schyns, 2001). Separate analyses for each individual letter revealed the potent features for uppercase and lowercase Arial font letter identification. The results show that high spatial frequencies support the identification of features that discriminate among visually similar letters (e.g., ‘O’ and ‘Q’ in uppercase). In contrast, low spatial frequencies carry information about the features that are shared among subsets of visually similar letters. These observations are discussed in relation to a letter identification model in which low spatial frequencies are processed initially to determine the subset of the alphabet the target belongs to. Then, high spatial frequencies are processed for information allowing unique letter identification.

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)0,002
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,374
Score d'incertitude au seuil0,389

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 savante0,0000,003
Science ouverte0,0020,000
Intégrité de la recherche0,0000,001
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 Opus0,010
Tête enseignante GPT0,292
Écart entre enseignants0,281 · 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'étudeExpérimental (laboratoire)
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
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetHandwritten Text Recognition TechniquesTravaux en français237 207