Simulating human visual imagination: Scaling and placement of objects in procedural generation of 3D scenes
Notice bibliographique
Résumé
Although there is already quite a bit of research on the uses of imagination, there is a gap involving how exactly mental images are created This thesis describes the placement and scaling of objects in the creation of scenes in the visual imagination. To examine this topic, I created 30 images in Unity using scene descriptions generated by SOILIE 3D and 30 images that applied additional constraints based on an improved model of placement and scaling of objects. Contrasting these pairs illustrates the key aspects of human scene creation and demonstrates that my model is more realistic. While the previous model was too theoretical and failed to take many aspects of human cognition into account, applying research in neuroscience and human scene understanding has allowed for an improved model that is more consistent with a human perspective of scenes. This work would not have been possible without the guidance and support of such a wonderful group of people that I have the good fortune of being surrounded by. First and foremost, I would like to thank my supervisor, Dr. Jim Davies. From being the voice of reason during my panicked ramblings, to answering even the most basic of questions with utmost consideration, your tireless support has guided me through these tumultuous times. I have been benefiting from your advice since our first meeting, when you encouraged me to pursue a master's degree and work with you. Were it not for you, I would still be trudging through a second degree with the hopes of one day being where I am now.
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 ».