Neural Encoding of Scene Statistics for Surface and Object Inference
Notice bibliographique
Résumé
Introduction Visual scenes are often complex and ambiguous to interpret because of the myriad causes that generate them. To understand visual scenes, our visual systems have to rely on our prior experience and assumptions about the world. These priors are rooted in the statistical correlation structures of visual events in our experience. They can be learned and exploited for probabilistic inference in a Bayesian framework using graphical models. Thus, we believe that understanding the statistics of natural scenes and developing graphical models with these priors for inference are crucial for gaining theoretical and computational insights to guide neurophysiological experiments. In this chapter, we will provide our perspective based on our work on scene statistics, graphical models, and neurophysiological experiments. An important source of statistical priors for inference is the statistical correlation of visual events in our natural experience. In fact, it has long been suggested in the psychology community that learning due to coherent covariation of visual events is crucial for the development of Gestalt rules (Koffka 1935) as well as models of objects and object categories in the brain (Gibson 1979; Roger and McClelland 2004). Nevertheless, there has been relatively little research on how correlation structures in natural scenes are encoded by neurons. Here, we will first describe experimental results obtained from multielectrode neuronal recording in the primary visual cortex of awake-behaving monkeys. Each study was conducted on at least two animals. These results reveal mechanisms at the neuronal level for the encoding and influence of scene priors in visual processing.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».