视觉与前庭线索在位移估计中基于可靠性的加权数据

数据集获取

源站：https://doi.org/10.5061/dryad.v2k7s

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 452.6 KB。

数据说明

在环境中导航时，我们的大脑需要推断自己移动了多远以及朝向哪个方向。在这一估计过程中，大脑可能依赖多种感觉通道，包括视觉和前庭系统。以往研究主要集中于朝向估计，表明感觉线索会按其可靠性成比例地进行加权组合，这与统计最优整合相一致。然而，尽管朝向估计可以随着运动的持续进行而因信息不断流入而改善，对移动距离的估计则需要对整个位移过程中的感觉信息进行整合。在本研究中，我们考察在位移估计任务中，即使视觉与前庭信息的可靠性因试次而异，大脑是否仍能最优地整合这两种信息。参与者坐在线性滑动平台上，沉浸在立体虚拟现实环境中。他们接受被动线性运动，其中包含视觉和前庭线索，并通过不同水平的视觉一致性来改变相对线索可靠性，同时引入线索差异以检验相对线索加权。

参与者执行了一项双间隔双选项强制选择任务，判断两个连续感知到的位移中哪一个更大。我们的结果显示，人类会根据可靠性比例，在每次试验中调整对视觉和前庭信息的权重。这些结果为人类为了估计身体位移而最优整合视觉与前庭信息提供了证据。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。