Middle spatial frequencies are needed for face recognition only when learned faces are unfiltered: More evidence from spatial frequency thresholds for matching
Notice bibliographique
Résumé
A number of studies (Gold, Bennett, & Sekuler, 1999; Nasanen, 1999; see Parker & Costen, 2001 for review) have suggested that middle spatial frequencies (SFs) are optimal for face recognition. A few recent studies (Liu et al., 2000; Collin et al., 2003; Kornowski & Petersik, 2003) have cast doubt on this, suggesting that perhaps spatial frequency overlap is the more important factor in determining how well spatially filtered faces are recognized. The latter studies predict that if learned faces are filtered in the same way as the tested faces, little or no advantage of middle SFs for face recognition will be found. At VSS 2004 (Collin & Martin, 2004), we presented data on SF thresholds for face recognition when comparison faces were unfiltered vs. when they were filtered in the same way as the test face. Those data showed that middle SF are needed for face recognition only when the comparison faces are unfiltered. However, the thresholds were gathered by the method of adjustment, a method thought to be vulnerable to observer criterion shifts. This opened up a potential alternative explanation for our results. Here we present similar data, but gathered by the method of constant stimuli. Observers performed a 4AFC task where they were asked to match a test face to one of four comparison faces. The test face was spatially filtered to a range of low-pass and high-pass cut-offs. In one condition, the four comparison faces were unfiltered. In the other condition, the comparison faces were filtered in the same way as the test face. Our data show that more central SFs are sought out when comparison faces are unfiltered than when they are filtered. These data are in accordance with our previous study, suggesting that those results were not due to criterion shifts. This suggests that the high efficacy of middle SFs in face recognition is task-dependent and may arise due to interference from non-middle SFs in unfiltered learned images.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».