Extraction of Average Temperature From Visual Scene Ensembles Without High Spatial Frequencies
Notice bibliographique
Résumé
We have previously demonstrated that participants can rapidly extract average scene temperature (i.e., how hot or cold scenes would feel on average; VSS, 2024), without reliance on color, contrast, or low spatial frequencies. Furthermore, this occurred without utilizing visual working memory (VWM) resources, a hallmark of ensemble processing. In the present study, we furthered this investigation by examining whether average scene temperature could be extracted without reliance on high spatial frequency content. Given the established importance of low spatial frequencies in the rapid formation of scene gist representations (Oliva, 2005), we predicted that average scene temperature could be extracted when high spatial-frequency information was filtered out of scene images, and, similar to our previous results, this would occur without reliance on VWM. Participants rated the average temperature of scene ensembles that were gray-scaled and had a low spatial frequency filter applied (< 1 cycle/degree). 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, with all 6 scenes being integrated into their summary statistics. This occurred without relying on VWM, as fewer than 0.9 scenes were remembered on average. These results reveal that computing cross-modal summary statistics (i.e., average temperature) does not rely on high spatial frequency information or VWM resources, and that abstract multisensory information can be rapidly retrieved from complex visual stimuli.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».