MARC

 008260126s2025        us                              c    eng  d
■001000017360071
■00520260202105259
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263320416
■035    ▼a(MiAaPQ)AAI32280445
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aLiu,  Ziwei.
■24510▼aFrom  Parts  to  Pose:  Understanding  Hierarchical  and  Structural  Representation  in  Human  Body  Perception
■260    ▼a[Sl]▼bUniversity  of  Minnesota▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a112  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Kersten,  Daniel.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2025.
■520    ▼aThe  ability  to  perceive  and  interpret  human  body  structure  from  incomplete  or  ambiguous  visual  input  is  central  to  visual  cognition  and  social  understanding.  Yet  the  mechanisms  that  enable  humans  to  infer  coherent  body  configurations  from  sparse  visual  evidence  remain  an  open  question  in  visual  cognition.  This  dissertation  investigates  the  cognitive  and  computational  mechanisms  underlying  human  body  perception,  focusing  on  how  individuals  recognize  and  reconstruct  body  poses  from  partial,  occluded,  or  low-resolution  visual  input.  The  research  is  structured  to  embody  various  levels  of  perceptual  complexity,  from  recognizing  isolated  body  parts  to  integrating  parts  into  full  body  poses.  Chapter  1  provides  an  overview  of  the  theoretical  foundations  of  object  and  body  recognition,  highlighting  the  debate  between  structural  description  and  image-based  models,  and  introducing  body  perception  as  a  specialized  domain  of  object  recognition.  Chapter  2,  "From  Pixels  to  Parts,"  compares  human  performance  with  deep  convolutional  neural  networks  (DCNNs)  in  recognizing  isolated  body  parts  under  spatial  constraints,  revealing  shared  reliance  on  part-level  structural  features  and  highlighting  how  both  systems  scale  recognition  with  increasing  spatial  context.  Chapter  3,  "From  Parts  to  Pairs,"  extends  this  investigation  by  examining  how  recognition  of  body  parts  is  influenced  by  their  spatial  relationships,  emphasizing  the  role  of  pairwise  spatial  context  in  body  part  identification.  Chapter  4,  "From  Pairs  to  Pose,"  delves  into  the  hierarchical  nature  of  body  part  perception,  demonstrating  how  the  visual  system  integrates  local  and  global  information  to  efficiently  reconstruct  body  poses,  and  providing  evidence  for  the  use  of  relational  knowledge  to  enhance  body  perception  under  varying  visual  complexity.  The  findings  throughout  this  dissertation  highlight  a  dynamic,  relational  framework  for  body  perception,  in  which  both  part-level  features  and  structural  relationships  are  crucial  for  efficient  body  pose  recognition.  Together,  this  research  offers  novel  theoretical  insights  into  how  the  brain  processes  body  information,  advancing  our  understanding  of  visual  inference  and  providing  a  benchmark  for  evaluating  computational  models  of  human  body  recognition.
■590    ▼aSchool  code:  0130.
■650  4▼aCognitive  psychology
■650  4▼aExperimental  psychology
■653    ▼aBody-part  recognition
■653    ▼aComputational  modeling
■653    ▼aDeep  convolutional  neural  networks
■653    ▼aHuman  pose  perception
■653    ▼aVisual  cognition
■653    ▼aVisual  perception
■690    ▼a0633
■690    ▼a0623
■690    ▼a0800
■71020▼aUniversity  of  Minnesota▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360071▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서