MétaCan
Menu
← Retour à la cohorte
Enregistrement W4386247376 · doi:10.1167/jov.23.9.5931

Evidence of lack of integration of binocular disparity and motion parallax in object segmentation

2023· article· en· W4386247376 sur OpenAlexaff
Teodora Neagu, Rebecca L. Hornsey, Arleen Aksay, Laurie M. Wilcox

Notice bibliographique

RevueJournal of Vision · 2023
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésParallaxBinocular disparityMonocularComputer visionArtificial intelligenceStereopsisDepth perceptionComputer scienceStereoscopyOffset (computer science)Binocular visionMathematicsOpticsPhysicsPsychologyPerception

Résumé

récupéré en direct d'OpenAlex

Rogers and Graham (1979) showed that motion parallax can support depth percepts comparable to those generated by stereopsis. However, several experiments with physical stimuli have shown that when both are present in depth estimation tasks, observers appear to rely on stereoscopic information. One explanation is that these tasks bias observers towards using stereopsis. Here we devised a novel segmentation task to evaluate cue integration that should benefit from relative motion. Observers viewed two superimposed, frontoparallel, horizontal wavy lines using a virtual reality headset. On each side of the set of lines, a probe was aligned with the end of one of the curves; observers indicated whether the two probes were coincident with the same curve. We generated two levels of complexity by manipulating the curvature. Using the method of constant stimuli we varied the depth separation between the two curves from 0 to 2.4cm and assessed performance using stereopsis alone, motion parallax alone (monocular) or both cues present. On monocular trials, observers moved their heads laterally by 6cm. As anticipated, accuracy was lowest when there was no depth offset between the two curves. The low complexity condition was generally easy, and performance was the same across conditions. However, in our high complexity condition, performance was near chance when there was no depth separation and gradually increased as the depth offset increased. Accuracy was similar in the stereopsis only and combined conditions but significantly poorer when only motion parallax was available. This was true even when the range of head motion was doubled. In sum, despite using a task that should benefit from relative motion and the fact that the two depth cues provided consistent information, our results echo previous studies in showing an apparent lack of integration of motion parallax and stereopsis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,170
Tête enseignante GPT0,432
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Vision→Même sujetVisual perception and processing mechanisms→Travaux en français237 207→