Global Factors in Perceptual Shape Completion
Notice bibliographique
Résumé
Humans are known to rely profoundly on bounding contours for object detection, segmentation and recognition. This task is complicated by the interposition of other objects in the visual field that lead to occlusion: partial blocking of one object by another. However, the impact of occlusion on human perception is mitigated by the human ability to perceptually complete partially occluded bounding contours, i.e., to fill-in the missing shape information. Here we examine the degree to which the human brain uses local and non-local cues to solve this perceptual completion task. Each visual stimulus consisted of a sequence of dots regularly sampling the outline of a 2D shape. To simulate occlusion, a contiguous interval of 10-50% of the dot pattern was extinguished. Observers were asked to adjust a probe dot along a linear axis orthogonal to the gap until the dot appeared to lie where the contour would be, were it visible. Two classes of shape were employed: animal shapes, which afford both local and global cues to completion, and metamer shapes, which match the curvature statistics of the animal shapes but are otherwise random, thus affording local but not global cues to completion. Mean absolute error was lower for animal shapes than for metamer shapes and, while completions tended to be negatively (inward) biased for both, the bias was less for animals than metamers. Local linear and elastica models were better able to account for human completions of metamer shapes than animal shapes. Together these findings point to a contribution of non-local shape cues to perceptual contour completion.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».