Orientation-defined boundaries are detected with low efficiency

در مقایسه با سایر آمار خلاصه (میانگین اندازه، واریانس اندازه، واریانس جهت گیری) برآوردهای بصری جهت گیری متوسط ​​ناکارآمد هستند. ناظران عمل می کنند، مگر اینکه از اطلاعات بیش از دو یا سه مورد استفاده کنند. ما فرض کردیم که ناظران می توانند کارآیی نمونه گیری بیشتری را به دست بیاورند وقتی که وظیفه آنها نیازی به نمایش صریح جهت گیری متوسط ​​نداشته باشد. ما این فرضیه را با استفاده از وظیفه تقسیم بندی بافت آزمایش کردیم. دو آرایه از 32 موجک هر یک ارائه شد؛ یک سمت چپ و یک راست از ثابت. جهت گیری ها در آرایه هدف از توزیع نرمال پیچیده شده با دو روش مختلف با همان واریانس نمونه برداری شده است. یک توزیع جهت گیری ها را از نصف النهضه افقی تعریف می کند، جهت های دیگر تعریف شده زیر مریدین. تمام جهت ها در آرایه های دیگر توسط یک توزیع نرمال پیچیده شده با یک واریانس همانند هر توزیع در آرایه هدف تعریف شد. بر خلاف فرضیه ما، نتایج نشان می دهد که ناظران به طور کلی هر یک از آیتم ها را از بالا و پایین هر آرایه کنار گذاشته است. در واقع، ما هیچ تغییری در تفاوت آستانه بین دو معنی هدف پیدا نکردیم، زمانی که همه جز یک مورد از بالا و پایین هر آرایه حذف شدند. ما مجبوریم نتیجه گیری کنیم که سیستم بصری متوسط ​​بیش از چند جهت را حتی برای تقسیم بندی بافت محاسبه نمی کند.