The processing sequence from low to high spatial frequencies investigated by temporal sampling
Bibliographic record
Abstract
Les caractéristiques temporelles du traitement des fréquences spatiales en reconnaissance d’objets ont été étudiées auprès d’observateurs adultes normaux. Les cibles étaient des images d’objets familiers filtrées spatialement (fréquences centrales de 1,2 cycles par degré (cpd); 2,4 cpd; 4,8 cpd; et 9,6 cpd) présentées pendant 200 ms. La visibilité de la cible variait à travers le temps en fonction d'une fonction d'échantillonnage aléatoire affectant le rapport signal/bruit (le signal étant l'image cible; le bruit étant un champ de bruit blanc superposé). La tâche en était une d’appariements avec délai et choix forcé de la cible parmi quatre alternatives non filtrées (4AFC). Les résultats montrent que le traitement visuel était initialement dominé par la bande de 4,8 cpd, suivie brièvement par celle de 9,6 cpd, puis 1,2 cpd et enfin 2,4 cpd. Les résultats montrent que le contenu fréquentiel des oscillations du stimulus (i.e. les variations temporelles du rapport signal sur bruit) interagit à la fois avec le temps et la bande de fréquences spatiales des stimuli, montrant ainsi que le simple passage du temps n'est pas le seul déterminant du traitement des fréquences spatiales en reconnaissance visuelle. Un algorithme d'apprentissage automatique exposé aux patterns de données des participants individuels (avec validation croisé un-contre-tous) les a classés avec succès en fonction de leur condition de fréquence spatiale avec une précision de 90.6 % en utilisant seulement 8.1 % des attributs disponibles. Les résultats remettent en question l'hypothèse du traitement visuel de grossier à fin (i.e. « coarse-to-fine »).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".