MétaCan
Menu
Retour à la cohorte
Enregistrement W7066551974

Is human object recognition invariant to depth cues?

2014· dissertation· en· W7066551974 sur OpenAlexaff

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2014
Typedissertation
Langueen
DomaineNeuroscience
ThématiqueFace Recognition and Perception
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésCognitive neuroscience of visual object recognitionDepth perceptionInvariant (physics)PerceptionFacial recognition systemObject (grammar)Face perceptionPattern recognition (psychology)Adaptation (eye)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Background. The human visual system can represent complex 3-D surfaces from multiple depth cues, but individual depth cues are processed by different cortical networks. For example, different cortical areas, scattered in the dorsal and ventral visual pathways, process depth from motion vs. shaded cues to extract 3-D surface information that may ultimately be used for object recognition. It is not known whether there is only one underlying mechanism for object recognition which combines multiple depth cues or whether there are multiple cue-specific representations of objects. Assuming efficiency in the object recognition mechanism, a single object representation is predicted to be formed in a specific brain region in the ventral visual pathway from multiple depth cues that are processed by different cortical areas. Thus, we were interested to investigate whether a complex object representation, such as a face representation, is achieved by a single depth cue and whether this representation is depth cue invariant by the level of the occipitotemporal cortex.Methods. We utilized the face identity aftereffect and the MEG adaptation paradigm to investigate the depth cue invariance. Face identity aftereffect is the transitory distortion in the perception of facial identity following extended periods of adaptation to a configurally distorted face called an anti-face. We measured face identification thresholds for each depth cue and across different depth cues in four subjects using a four-alternative forced-choice task with 3 conditions: matched anti-face adaptor, non-matched anti-face adaptor, as well as without adaptation. Using the MEG adaptation paradigm, we were interested to examine the adaptation of the face-selective M170 component, arising from the inferior occipitotemporal sources. We specifically asked whether this component showed reduced amplitude in response to a shaded face when it was preceded by a face, regardless of the depth cue defining the surface. We particularly looked at the adaptation of the face-selective M170 component across fourteen subjects and compared its amplitude and latency across different conditions.Results. We found robust face identity aftereffect not only from individual depth cues but also across different depth cues. The aftereffect was strongest in the shaded condition, weakest in the structure-from-motion condition, and comparable across texture and stereo disparity. Using the MEG adaptation paradigm, we found that part of the lateral occipital complex, particularly the right posterior inferior temporal gyrus, is tolerant to different depth cues. Conclusion. Despite the fact that our perception of the 3-D world is empowered by many depth cues, how depth cues contribute to object recognition is very poorly understood. Using the face identity aftereffect and the MEG adaptation approach we provided evidence for the existence of the depth cue invariance of complex object representations. These results are of fundamental importance to cortical organization of vision, but also valuable for developing object recognition algorithms for automated assessment based on 3-D information.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,068
Tête enseignante GPT0,305
Écart entre enseignants0,237 · 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 source (Gemma direct ou Codex distillé), 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
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetFace Recognition and PerceptionTravaux en français237 207