Aesthetic value modulates gaze patterns on proto-object locations
Notice bibliographique
Résumé
The experience of aesthetic pleasure is associated with reward-processing mechanisms in the human brain. Previous studies show that visual attention is biased towards objects associated with higher value in the environment. We investigate the relationship between natural gaze patterns and aesthetic valuations of scenes. To assess the contribution of salience-driven and reward-driven biases toward attentional allocation, we develop a model of gaze patterns that combines low-level, stimulus-driven salience with the aesthetic value of image regions. Our results show a positive relationship between gaze activity and aesthetic value. Moreover, we observe strong similarities in the spatial distribution of highly salient proto-object regions and scene regions with high aesthetic value, suggesting that salience plays an important role in evaluating the potential hedonic value of visual features. We further probe the relationship between intermediate-level representations of objects and aesthetic value by repurposing a deep neural network trained on object categorization to predict aesthetic value. We do this by replacing the top layer of the VGG-16 architecture with a linear layer with weights adjusted to predict aesthetic liking. Notably, the network weights in all layers except the new linear top layer are left unchanged. This network predicts subjective aesthetic valuations of scenes with high accuracy. This result highlights the intricate relationships between hedonic value, salience, and object perception. We hypothesize that expected hedonic value can function as the incentive to focus attention on salient image locations, likely to contain objects with ecological value. Rather than being a separate, affective visual process, aesthetic valuation is tightly intertwined with other aspects of visual cognition, such as attention and object recognition.
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 | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».