1. Introduction

L’analyse des seuils de contraste dans l’expérience 1 a montré que la tâche de détection suivait une progression plutôt linéaire en fonction des tailles des lettres étudiées, tandis que la tâche d’identification suivait une progression quadratique (cf. figure 41). Il est possible que la différence entre ces deux tâches soit liée à l’échantillonnage spatial des photorécepteurs (cf. Distribution des cônes, chapitre 1 Partie II). On observe aussi une différence plus importante entre les deux tâches dans la gamme des petites tailles que dans la gamme des grandes tailles où les seuils des deux tâches ont tendance à se rejoindre.

Dans nos deux précédentes expériences, nous avons testé des tailles à la limite de l’acuité visuelle. L’utilisation d’un modèle d’observateur idéal permettra d’analyser les éléments essentiels de la détection et de l’identification et permettra, ainsi, d’explorer les performances optimales.

La première hypothèse est que si la différence entre la progression de la détection et celle de l’identification en fonction des tailles est due à la densité et à l’échantillonnage des photorécepteurs, alors l’utilisation des tailles minimales révélera une différence systématique entre les seuils de contraste des deux tâches. Les seuils de la tâche d’identification continueront à augmenter tandis que ceux de la tâche de détection seront linéaires.

L’observateur idéal est un programme qui exécute des tâches selon un programme informatique. Comme son nom l’indique, il s’agit d’un observateur qui donne la réponse la plus parfaite. Puisque l’observateur idéal a une sensibilité supérieure à celle de l’observateur humain, Geisler (1989) a proposé de réduire sa sensibilité afin de la rendre comparable à celle de l’observateur humain. Ainsi, notre modèle de l’observateur idéal sera limité par le bruit. Nous avons généré deux types de bruit, l’un concerne la position de la lettre. Pour ce faire, nous avons généré quatre matrices de 128 * 128 pixels dans lesquelles l’observateur idéal doit choisir la position de la lettre. Le deuxième bruit concerne l’identification. Pour ce faire, les quatre matrices avaient des pixels actifs ayant une valeur 1 et des pixels inactifs qui avaient une valeur 0. Ces pixels actifs ou inactifs étaient distribués aléatoirement sur l’ensemble de la matrice. Afin de décider de l’identité de la lettre, l’observateur idéal doit effectuer le produit scalaire (la somme de la multiplication point par point) entre le vecteur du prototype et le vecteur de la matrice. L’observateur idéal avait seize possibilités de réponses (quatre positions fois quatre lettres) (cf. tableau 17).

La règle de décision est importante dans les tâches de détection et d’identification. Nous avons utilisé deux règles de décision, une conditionnelle (RC) et l’autre inconditionnelle (RI). L’observateur idéal a seize réponses possibles (quatre lettres fois quatre positions). Le tableau 17 donne ces seize réponses possibles. Afin d’expliquer la logique des deux règles de décision voici un exemple. Si dans le tableau 17 on attribue les valeurs suivantes à la ligne S : [0.3, 0.4, 0.25, 0.3] et les valeurs suivantes à la ligne I [0.1 0.75 0.12, 0.06]. Si l’observateur idéal décide selon une règle RI, alors il donnera comme réponse la cellule qui a la valeur 0.75 dans la ligne I, puisque c’est la cellule la plus active. En revanche, s’il utilise la RC dans laquelle il additionne toutes les cellules pour chacune des lignes, alors il donnera comme réponse la cellule 0.4 dans la ligne S. En additionnant toutes les valeurs de la ligne S on obtient une valeur de 1.25 supérieure à celle de la ligne I qui égale 1.03. Et selon la règle RC, l’observateur idéal choisit la valeur la plus élevée qui est dans la ligne S (0.4).

Ainsi, la deuxième hypothèse à vérifier est que si la règle de décision a un impact sur la différence entre les deux tâches, alors les seuils de contraste évolueront différemment selon qu’il s’agit de RI ou de RC.