MétaCan
Menu
Retour à la cohorte
Enregistrement W4416346197 · doi:10.1016/j.visres.2026.108865

Connecting the dots - Recognition of artificial and natural shapes relies on representing points of high information

2025· article· en· W4416346197 sur OpenAlexaff
Gunnar Schmidtmann, Nicholas Baker, Kevin J. Lande, Filipp Schmidt

Notice bibliographique

RevueVision Research · 2025
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFace Recognition and Perception
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésCurvatureMaxima and minimaMaximaPattern recognition (psychology)Mean curvature flowENCODE

Résumé

récupéré en direct d'OpenAlex

Physiological and psychophysical evidence suggests that the visual system represents object outlines using prominent curvature features, particularly regions of extreme curvature (convex maxima and concave minima). These curvature extrema often coincide with points of high informational content ("surprisal"), but this relationship is only correlational. It remains unclear whether the visual system explicitly encodes curvature extrema or instead prioritizes the most informative contour locations. To address this, we conducted two shape-matching experiments comparing the roles of curvature extrema and surprisal in shape representation. Observers performed match-to-sample tasks in which smooth reference shapes were matched to simplified polygonal versions created by connecting subsets of contour points corresponding to (i) curvature maxima, (ii) curvature maxima and minima, or (iii) points of highest surprisal. Stimuli included artificial shapes composed of compound radial frequency patterns and natural shapes (animal outlines), the latter allowing us to dissociate curvature and information by restricting sampled points. Performance was higher for natural than artificial shapes (95% vs. ∼86%). Shapes defined by a small number of high-surprisal points matched performance in baseline and curvature maxima and minima conditions, but exceeded performance for curvature maxima alone (∼90% vs. ∼65%). In a second experiment, we contrasted surprisal with curvature maxima and minima conditions while varying the number of sampled points (4-32). Performance increased with point number, approaching ∼90%. Critically, under strong simplification (4-6 points), surprisal-based shapes yielded higher accuracy than curvature-based shapes. These findings suggest that shape representation emphasizes features with high informational content rather than curvature extrema per se.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,542
Score d'incertitude au seuil0,640

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,106
Tête enseignante GPT0,410
Écart entre enseignants0,304 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVision ResearchMême sujetFace Recognition and PerceptionTravaux en français237 207