Average Temperature from Visual Scene Ensembles Without Reliance on Color, Contrast or Low Spatial Frequencies
Notice bibliographique
Résumé
Summary statistics for groups (i.e., ensembles) of faces or objects can be rapidly extracted to optimize visual processing, without reliance on visual working memory (VWM). We have previously demonstrated that this ability extends to complex groups of scenes. Namely, participants were able to extract average scene content and spatial boundary from scene ensembles. In the present study we tested whether this ability extends to scene features that are not solely attributable to visual processing and are instead computed cross-modally. Specifically, we examined ensemble processing of scene temperature. Given that the apparent temperature (i.e., how hot or cold a scene would feel) of single scenes is accurately rated by observers (Jung & Walther, 2021), we predicted that average scene temperature could be extracted by observers, without reliance on VWM. Crucially, across 4 experiments, we tested if this ability would depend on low-level visual features. Participants rated the average temperature of scene ensembles, with either colored stimuli (Exp 1), gray-scaled stimuli (Exp. 2), gray-scaled stimuli with a 75% contrast reduction (Exp. 3), or gray-scaled high spatial frequency filtered stimuli (> 6 cycles/degree, Exp. 4). In all experiments, we varied set size by randomly presenting 1, 2, 4, or 6 scenes to participants on each trial, and measured VWM capacity using a 2-AFC task. Participants were able to accurately extract average temperature in all experiments, with all 6 scenes being integrated into their summary statistics. This occurred without relying on VWM, as fewer than 1.2 scenes were remembered on average. These results reveal that computing cross-modal summary statistics (i.e., average temperature) does not rely on lower-level visual features. Overall, these results reveal that with minimal low-level visual information available, abstract multisensory information can be rapidly retrieved and combined from long term memory to form statistical representations.
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 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».