Making memorability of scenes better or worse by manipulating their contour properties
Notice bibliographique
Résumé
Why are some images more likely to be remembered than others? Past research has explored both low-level image properties, such as colour and spatial frequencies, and high-level properties, such as scene semantics. Recent work from our group suggests that memorability for line drawings and photographs of scenes is correlated with specific contour features, such as contour curvature and orientation, as well as mid-level perceptual grouping features, such as contour junctions. Here, we examine whether this relationship is merely correlational, or if manipulating these features causes images to be remembered better or worse. To this end, we manipulated contour properties as well as grouping properties that describe the spatial relationships between contours in the line drawings of real-world scenes and measured the effect of these manipulations on memorability. We trained a Random Forest model to predict scene memorability from contour and perceptual grouping features computed from the line drawings. Then, we used the trained model to predict the contribution of each contour to the memorability of the scene. Next, each line drawing was split into two half-images, one containing the contours with high predicted memorability scores and the other containing the contours with low predicted memorability scores. Since both versions were derived from the same original drawing, image identity was left intact by this manipulation. In a new memorability experiment, we find that the half-images predicted to be more memorable were indeed remembered better than the half-images predicted to be less memorable. Our findings suggest that specific contour and perceptual grouping cues are causally involved in committing real-world images to memory. We demonstrate that by measuring and manipulating these cues, we can isolate the contributions of image features at different visual processing stages to image memorability, thereby bridging the gap between low-level features and scene semantics in our understanding of memorability.
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 | 0,005 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».