Revisiting shape versus texture bias in primate vision: contrasting human vs. monkey perceptual strategies
Notice bibliographique
Résumé
Visual perception in artificial and biological systems often diverges in the processing of complex stimuli. Geirhos et al. (2019) underscored this distinction, demonstrating that unlike convolutional neural networks (CNNs) trained on ImageNet, human vision is biased by shape over texture in object recognition. To delineate the mechanistic differences in visual perception between CNNs and biological systems, we probed the object shape versus texture biases of rhesus macaques—an animal model where finer-grained neural measurements are feasible. We trained two macaques on binary object discrimination tasks using the Microsoft COCO dataset across ten object categories. They were subsequently tested on cue-conflict images (from Geirhos et al. 2019), wherein images featured either texture-shape congruence or conflict – designed to assess whether macaques exhibit shape-bias like humans. Our results revealed a nuanced perceptual strategy in macaques. Consistent with previous studies, we observed high accuracy when the images contained no shape-texture conflicts –indicating that macaques are adept at shape-based recognition, with performances ranging from 0.80 to 0.89 across shapes. However, the introduction of conflicting textures led to variable outcomes. In particular, the accuracy for recognizing 'Elephant' shapes with 'Chair' textures dropped sharply to 0.14, highlighting a substantial influence of texture on the recognition process. The performance gradient across various shape-texture pairings suggests a complex interplay in the macaques' visual processing, differing significantly from the consistent human shape bias reported earlier. Next, we asked how these behavioral biases were driven by activity in the macaque IT cortex (critical for object recognition). We observed a significant alignment (consistency of 0.36) between neural activity and cue-conflict confusion pattern. In conclusion, our results reveal that macaques' reliance on shape versus texture is context-dependent and less robust than in humans. These insights motivate further exploration of the factors influencing distinct perceptual biases and the evolution of visual processing across species.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».