Can a saliency model using feature sets derived cityscapes predict cultural differences in visual search asymmetry?
Notice bibliographique
Résumé
Visual search asymmetries in line length (long or short), line orientation (tilted or vertical), and circle with line versus circle vary in presence and magnitude depending on where they are measured (e.g., Canada, Japan, and the United States, see Ueda et al., 2018). These results indicate that our visual cognition is affected by the environments around us. What induces these differences? Several previous studies suggest that it may due to the cityscape and orthographies of each location. It has been shown that visual attention and eye movements change after viewing Japanese and American cityscapes for a certain amount of time (Miyamoto et al. 2006; Ueda & Komiya, 2012). A study dealing directly with search asymmetry showed that visual saliency calculated using the Attention based on Information Maximization (AIM; Bruce & Tsotsos, 2009) model, which derives a set of visual features from orthographic characters (alphabets, Japanese hiragana, and Kanji characters) produced different saliency levels in line length asymmetry (Saiki, 2020). In this study, we used the AIM model to investigate whether differences in the scenery of different locations can produce different visual saliency in the search asymmetry. In the original AIM model, visual feature sets were derived from various scene images, while instead of this, we collected more than 10,000 photos of cities across Japan, and used only them to derive visual feature sets with independent component analysis (ICA). Comparing visual saliency calculated by visual features derived from the original image set with the image set of Japanese cities, consistent results across image sets were obtained for search asymmetry. These results suggest that the AIM model with feature sets derived from scenery can robustly predict visual search asymmetry, and cultural differences in search asymmetry may emerge not from the cityscapes in each culture, but rather from long-term experiences with orthographic letters.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».