Qualitative shape from shading, specular highlights, and mirror reflections
Notice bibliographique
Résumé
Surface appearance cues such as shading and specularities provide a rich source of information about 3D shape. Here we present an experiment that compared qualitative shape perception from such cues. We used OpenGL to render smooth bumpy terrain surfaces under perspective projection and under several rendering models, including the Phong model with a point light source and a mirror reflection model with a complex orientation-free environment. Each rendered terrain surface had a floor slant of 30 degrees consistent with a view-from-above prior, and each was presented either statically or rotating. The task was to judge whether a marked point on each surface was on a hill or in a valley. Percent correct scores (12 observers) were highest in the 'Lambertian only' condition, lower in the 'mirror only' and 'broad highlight only' conditions, and lowest in the 'narrow highlight only' condition. No effect was found for rotating vs. static presentation. The results are somewhat inconsistent with (Norman et al, Psych. Sci. 2004) who found that highlights improve performance in a shape discrimination task. The results are more consistent with (Fleming et al, J. Vision, 2004) who found that specularities can provide shape information if they produce a dense set of image gradients that covary with the second derivatives of depth. This requirement was met by all the rendering models above, except for 'narrow highlights only'. Meeting abstract presented at VSS 2012
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».