Images standardisées d’objets nouveaux créés avec des réseaux contradictoires génératifs

Notre validation technique comprenait deux parties. Premièrement, nous avons confirmé que nos corpus d’objets nouveaux et familiers étaient étroitement liés en termes de taille, de contraste, de luminance et de couleur. Deuxièmement, nous avons vérifié que nos nouvelles images étaient effectivement perçues par les observateurs humains comme étant subjectivement moins familières que les images d’objets existants et suscitaient des niveaux d’intérêt comparables.

Standardisation des propriétés des objets

De nombreuses mesures ont violé les hypothèses de normalité et nous avons donc comparé les caractéristiques perceptuelles du roman à celles des objets familiers à l’aide de statistiques non paramétriques (Mann-Whitney U). Nous rapportons à la fois les statistiques fréquentistes et leurs analogues bayésiens pour guider les interprétations de toute différence entre les catégories d’objets (Fig. 4, 5). Il est important de noter qu’il n’y avait aucune différence entre les objets romans et familiers en termes de taille, de contraste, de luminance ou de couleur (taille, roman_médian= 146,464 ± 407 SEM, familier_médian= 146 020 ± 364, U = 79 542, p = 0,889, BF_dix= 0,081 ; contraste, roman₌0,27 ± 0,003, familier₌0,27 ± 0,003, U = 79478, p = 0,873, BF_dix= 0,078 ; luminance, roman₌0,83 ± 0,003, familier₌0,84 ± 0,003, U = 77312, p = 0,411, BF_dix= 0,100 ; coloré, roman₌11,3 ± 0,720, familier = 9,9 ± 0,729, U = 75491, p = 0,168, BF_dix= 0,183 ; Fig.4a). Cela confirme que notre approche a été capable de générer un ensemble d’objets nouveaux qui correspondaient en termes de caractéristiques perceptuelles clés de niveau inférieur à un ensemble d’objets familiers existants.

Pour compléter, nous avons également calculé les caractéristiques perceptuelles les plus complexes de chaque objet. Nous avons constaté que, par rapport aux objets familiers, notre ensemble d’objets nouveaux avait de plus grandes densités de bords, une plus grande entropie, moins de symétrie, une plus grande complexité et une énergie spectrale plus élevée (densités de bords, nouvelles₌0,056 ± 6,63 × 10⁻⁴familier₌0,052 ± 8,83 × 10⁻⁴U = 66245, p < 0,0001, BF_dix= 207 ; entropie, roman₌3,61 ± 0,021, familier = 3,09 ± 0,029, U = 37686, p < 0,0001, BF_dix= 1,22 × 10¹¹; symétrie, roman = 91,9 ± 0,376, familier = 94,2 ± 0,351, U = 69190, p < 0,0001, BF_dix= 14,3 ; MSER, roman₌179 ± 10,7, familier₌120 ± 20,4, U = 62511, p < 0,0001, BF_dix= 462 ; Points clés SIFT, roman₌769 ± 34,4, familier₌404 ± 36,1, U = 48764, p < 0,0001, BF_dix= 1,56 × 10⁷; énergie de l’image, nouvelle = 5 ± 0,27, familière = 4 ± 0,36, U = 66059, p < 0,0001, BF_dix= 38,4 ; hautes fréquences spatiales, nouveau = 10,6 ± 0,42, familier = 8,74 ± 0,49, U = 65810, BF_dix= 75,3 ; Fig.4a).

Enfin, nous nous sommes assurés que les objets générés par le GAN étaient effectivement perçus comme moins familiers que les objets de la base de données BOSS, et qu’ils suscitaient des niveaux d’intérêt comparables. Pour ce faire, nous avons mené une étude de validation en ligne, dans laquelle les participants ont évalué leur degré de familiarité avec les objets de chaque catégorie, ainsi que leur degré d’intérêt pour chaque objet. Comme question supplémentaire, nous avons également demandé aux participants d’évaluer dans quelle mesure ils trouvaient chaque objet attrayant.

Etude de validation en ligne

Participants

435 participants ont complété cette étude menée sur la plateforme Cloud Research⁴⁸ (intégré à Amazon Mechanical Turk ; MTurk). Nous avons exclu 23 participants pour avoir tenté l’étude plus d’une fois. Vingt-deux autres ont été exclus pour les réponses persévérantes (par exemple, fournir la même réponse pour chaque objet). L’échantillon final comprenait 390 participants (205 hommes auto-identifiés, 181 femmes auto-identifiées, 2 non binaires, 2 non précisées), âgés de 18 à 76 ans (moyenne = 40,32, SD = 12,12). Tous les participants venaient des États-Unis et ont reçu un remboursement de 2,20 $ US pour leur temps. Les données ont été collectées entre août 2022 et janvier 2023. Les participants ont donné leur consentement éclairé et les protocoles d’étude ont été approuvés par le comité d’éthique de la recherche humaine de l’université Monash (ID : CF20/23934).

Conception expérimentale

La tâche a été implémentée à l’aide de jsPsych (version 7.2.1)⁴⁹avec l’expérience hébergée sur https://cognition.run. Pour garantir que les stimuli puissent être visualisés avec suffisamment de clarté et de résolution, les participants ne pouvaient effectuer la tâche que sur un ordinateur de bureau ou portable (la tâche était interrompue si une tentative était faite pour l’exécuter sur un téléphone mobile). Chaque participant devait évaluer un sous-ensemble aléatoire de 50 objets familiers et 50 nouveaux objets, présentés dans un ordre aléatoire (Fig. 3).

Chaque essai se déroulait à votre rythme et commençait par l’objet présenté au centre de l’écran. Les participants pouvaient librement visualiser et interagir avec l’objet à l’aide de leur souris. Les objets pouvaient être étirés et pivotés, et les participants pouvaient effectuer un panoramique et un zoom avant ou arrière sur chaque image. Un bouton de réinitialisation peut être utilisé pour réinitialiser l’image à sa configuration d’origine.

Une fois satisfaits, les participants ont appuyé sur un bouton « continuer » et se sont vu poser trois questions : (1) »Dans quelle mesure cet objet vous est-il familier ?» (2) «Dans quelle mesure trouvez-vous cet objet intéressant ?» et (3) «Cet objet est-il attrayant ?” Les réponses ont été enregistrées sur une échelle de Likert en 7 points allant de Pas du tout (1) à Extrêmement (7). Une fois toutes les réponses terminées, les participants ont appuyé sur un bouton « continuer », et l’objet suivant a ensuite été affiché.

Résultats

La comparaison clé concernait les évaluations de familiarité entre les objets nouveaux et familiers. Cela a fourni une preuve décisive que les objets générés par GAN étaient effectivement perçus comme moins familiers que les objets BOSS (Fig. 4b ; roman_médian= 2,19 ± 0,028 SEM, familier_médian= 6,26 ± 0,033 ; U = 134, p < 0,0001, BF_dix= 5,10 × 10²¹). De plus, les objets nouveaux et familiers évoquaient des degrés d’intérêt similaires (roman = 3,63 ± 0,021, familier = 3,61 ± 0,039, U = 78509, p = 0,788, BF_dix= 0,085). Fait intéressant, nous avons constaté que les objets familiers étaient plus attrayants que les objets nouveaux (roman = 3,04 ± 0,023, familier = 3,87 ± 0,038, U = 28272, p < 0,0001, BF_dix= 2,19 × 10¹⁴).

(un) Objectif et (b) propriétés subjectives des objets nouveaux et familiers. Distributions visualisées sous forme de tracés de densité, avec des axes Y reflétant les estimations de densité du noyau. Remarque : MSER ; régions extrêmes au maximum stables, SIFT ; transformation de caractéristiques invariante à l’échelle.

Exemples de nouveaux objets représentatifs de ceux qui se trouvent à l’extrême des distributions illustrées à la figure 4.

En résumé, l’ensemble de données « IMAGINE » comprend 400 objets générés artificiellement qui sont tout à fait plausibles, mais qui n’existent pas en réalité. Ces objets ont été soigneusement standardisés et appariés à un ensemble de données complémentaire de 400 objets familiers. Il est important de noter que les nouveaux objets sont perçus par les observateurs adultes comme étant moins familiers que les objets familiers, mais tout aussi attrayants. Nous espérons que cet ensemble de stimulus facilitera les recherches futures en neurosciences du traitement des objets et de la nouveauté perceptuelle.