Spatial frequency tuning for outdoor scene categorization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Which spatial frequencies (SFs) are used for the efficient categorization of real-world scenes? Previous results obtained with the SF Bubbles technique have shown that two SF bands are diagnostic for quick and accurate basic-level categorization of indoor scenes — one around 0.50 cycles per degree of visual angle (cpd) and one around 4.67 cpd (Willenbockel, Gosselin, & Võ, VSS 2017). In the present study, we employed the same technique and paradigm to examine SF tuning for outdoor scene categorization with four natural basic-level categories (coasts, fields, forests, and mountains). The base stimulus set comprised 200 typical gray-scale images per category, all matched in luminance. On each trial, observers saw an image filtered using 20 randomly distributed Gaussian "bubbles". Stimuli were presented in randomized order and remained on the screen until response. Observers were asked to press the space bar as soon as they recognized the scene category, and upon stimulus offset, press the respective key for the correct category. Performance feedback was provided. Mean accuracy across observers was 91.32% correct (SD = 3.64), and mean RT was 451 ms (SD = 107). A multiple linear regression on the transformed RTs from the space bar press and the respective SF filters revealed a significant SF band around 2 cycles per image (cpi; 0.33 cpd) and another one around 26 cpi (4.33 cpd). When using the transformed RTs from the category key press as regressor, only the high-SF band attained significance (27 cpi; 4.50 cpd). Interestingly, the significant SFs closely match those found for fast indoor scene categorization. Additional second-order analyses on both studies' data sets indicate that the significant low- and high-SF bands were used conjunctively. Our results show that people rely on a combination of coarse and fine scales for the efficient basic-level categorization of both indoor and outdoor scenes. Meeting abstract presented at VSS 2018
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.
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 | 0,001 | 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 découle