إنشاء كائنات وفئات كائن لدراسة الإدراك الحسي والتعلم

تهدف هذه العملية إلى إنشاء أجسام وفئات من الأجسام لدراسة كيفية إدراكنا وتعلم إدراك الأجسام عن طريق البصر و/أو اللمس. أولاً، يتم استخدام التخلق المورفولوجي الافتراضي أو VM لمحاكاة عمليات التطور الجنيني المبكر وإنشاء أجسام افتراضية ثلاثية الأبعاد طبيعية ومبتكرة تسمى الأجنة الرقمية. بعد ذلك، وباستخدام التكون النوعي الافتراضي أو VP، يتم إنشاء فئات من الأجسام ذات خصائص إحصائية محددة بدقة بناءً على الجنين الرقمي المدخل.

إذا رغب المستخدم، يمكن استخدام تحليل المكونات الرئيسية لإيجاد تباينات إضافية في الشكل بين الكائنات الافتراضية التي تم إنشاؤها عن طريق التخلق الافتراضي والنشوء النوعي الافتراضي. ويمكن حساب احتمالية انتماء كائن معين إلى فئة محددة بدقة باستخدام الاستدلال البايزي القائم على السمات. وعند الضرورة، يمكن إنتاج نماذج ملموسة للكائنات الافتراضية الناتجة باستخدام طابعة ثلاثية الأبعاد.

سيتم توضيح كل من هذه الطرق بمزيد من التفصيل لاحقاً مقارنة بالطرق الحالية. وتعمل هذه المنهجيات الجديدة على إيجاد تغيرات شكلية طبيعية ولكن يمكن قياسها بدقة، والتي تنشأ دون الحاجة إلى قيود يفرضها الباحث. كما أنها توفر أدوات مبتكرة في مجالات الإدراك البصري واللمسي، والتعلم الإدراكي، والرؤية الآلية، ولها تطبيقات محتملة في إعادة تأهيل العديد من أنواع الإعاقات البصرية من خلال التدريب المتقاطع بين البصر واللمس.

من المثير للاهتمام أن هذه الطريقة يمكن تطبيقها أيضاً لدراسة عمليات التشكّل المورفولوجي والتطور ذاتها، وقد خطرت لنا فكرة هذه الطريقة لأول مرة عندما كنا نبحث عن سبل لإنشاء محفزات بصرية طبيعية ولكن يمكن تحديدها بدقة لاستخدامها في دراسات الرؤية الحاسوبية. في البداية، قد يواجه الأفراد الذين يتعرفون على هذه الطريقة صعوبة في الجوانب المتعلقة بالبرمجة والرياضيات المكثفة، لذا سيوضح هذا العرض المرئي كيفية تنفيذ واستخدام هذه الطريقة بشكل صحيح. في ورشة عمل الجنين الرقمي، حدد مجموعة من الإعدادات أو النمط الجيني لإنتاج جنين واحد أو لإنتاج أجنة متعددة.

كرر هذه العملية عدة مرات لإنتاج أشكال أكثر تعقيداً عن طريق التخلق الشكلي الافتراضي. قم بزيادة عدد دورات النمو لتحديد عدد المرات التي ستنقسم فيها خلايا الجنين. تقوم ورشة عمل الجنين الرقمي بحفظ كل جنين تلقائياً كملف OBJ بحيث يمكنك لاحقاً استخدام الجنين مع مجموعات أدوات النمذجة ثلاثية الأبعاد التجارية.

قم بتوليد المحفزات البصرية عن طريق ضبط المعلمات الرسومية القياسية المختلفة، مثل الاتجاه، والحجم، والإضاءة، وملمس السطح، والخلفية لتوليد فئات الكائنات. قم بإنشاء مشتقات من كائن سلف بطريقة هرمية. يمكنك أيضاً تغيير الشكل بسلاسة باستخدام التحول الشكلي (morphing) مع الحفاظ على التطابق الفردي للرؤوس بين الكائنات.

ومن المثير للاهتمام أنه يمكن أيضاً استخدام كائنات افتراضية أخرى غير الأجنة الرقمية كمدخلات لعملية التكون الجنيني الافتراضي (virtual phy agenesis). اختر كائنات ضمن فئة معينة لتحقيق توزيع محدد من السمات. فعلى سبيل المثال، إذا كنت ترغب في إنشاء فئتين تختلفان في الحجم، فقم بإزالة الكائنات متوسطة الحجم انتقائياً لتوليد توزيع ثنائي المنوال لأحجام الكائنات.

الآن، قم بقياس التشابه موضوعياً بين زوج معين من الفئات باستخدام الطرق الفيلوجينية المتاحة مثل ارتباط الكوفونيتيك (co phonetic correlation). يمكن إجراء هذه الحسابات باستخدام مجموعات الأدوات التحليلية المتوفرة شائعاً مثل MATLAB أو R؛ وبالنسبة لأي زوج معين من الأجسام حيث يتوافق كل رأس في جسم واحد مع رأس واحد بالضبط في الجسم الآخر، فإن عملية التحويل المورفي (morphing) تكون مباشرة. اختر نقاط الاستيفاء واستخدم التحويل المورفي الخطي بين الجسمين لإجراء استيفاء سلس بين الرؤوس المتناظرة.

أولاً، حدد المكونات الرئيسية كواصفات محددة لمجموعة معينة من الكائنات. يمكن حساب المكونات الرئيسية باستخدام MATLAB أو R؛ قم بحساب متوسط إحداثيات كل رأس عبر جميع الكائنات المدخلة N لإنشاء كائن متوسط، ثم اضرب أي مكون P في القيمة الذاتية lambda المقابلة والوزن المطلوب wj، وأضف ذلك إلى الكائن المتوسط لإنشاء كائن جديد. استمر في تغيير WJ بسلاسة لإنشاء تغيرات شكلية سلسة على طول مكون رئيسي معين.

لإنشاء شبكة متعددة الأبعاد من الأشكال، استخدم مجموعة من الأوزان لكل من عدة مكونات رئيسية. قم بطباعة الكائنات ثلاثية الأبعاد باستخدام جهاز نموذج أولي ثلاثي الأبعاد. وإذا لزم الأمر، قم بتعديل حجم الكائن وتنعيم سطحه لتحسين جودة الطباعة.

تعد عملية استنتاج الفئة التي ينتمي إليها كائن ملاحظ مهمة أساسية في المعالجة البصرية. وتفيد الأجنة الرقمية في ذلك، جزئياً من خلال استخدام المعلومات المتعلقة بالسمات المعروفة للكائن. وعند دراسة هذه العملية الاستنتاجية، لنفترض أن مهمة التصنيف هي مهمة ثنائية.

أي أن هناك فئتين محتملتين فقط، وتتمثل مهمتنا في التمييز بين الفئة K والفئة L؛ لنرمز لمتغير الفئة بالرمز C، حيث تكون C تساوي K أو C تساوي L بناءً على ما إذا كانت الصورة الملحوظة I تنتمي إلى الفئة K أو L على التوالي. وبافتراض وجود سمة ثنائية واحدة فقط F، يتم حساب احتمالية أن تكون الفئة هي K بناءً على المعلومات الواردة في الصورة. وبالمثل، يتم حساب الاحتمالية بأن تكون الفئة هي L، ثم يتم اختيار الفئة ذات الاحتمالية الأعلى.

على سبيل المثال، ابدأ بميزة هذا المقطع المعلوماتي وقيمة عتبة تبلغ 0.69. تتمثل المهمة في تحديد ما إذا كانت هذه الميزة موجودة في صورة معينة، مثل الصورة الموجودة في أقصى يمين الطريق G ثلاثة. أولاً، قم بتحريك القالب فوق جميع المواقع الممكنة في الصورة، واحسب عند كل موقع القيمة المطلقة للارتباط المتقاطع الموحد بين القالب والصورة الفرعية التي تقع تحته.

بعد ذلك، حدد موقع الصورة الذي يحتوي على أعلى قيمة. إذا كانت هذه القيمة أعلى من العتبة، استنتج أن السمة موجودة، وإلا فاستنتج أنها غائبة. وفي إطار الاستدلال القائم على السمات، نفترض أن جميع المعلومات التي يستخلصها المراقب من الصورة متضمنة في قيمة هذه السمة.

وبناءً على ذلك، تصبح المهمة هي تحديد قيمة F في الصورة المعطاة، وحساب الاحتمالات لتلك القيمة F، واختيار الفئة ذات الاحتمالية الأعلى. هذا هو الإطار البايزي (Bayesian framework) لتجميع كافة الاحتمالات ذات الصلة. لاحظ أن المقام في المعادلتين هو نفسه، لذا يرجى تركيز الاهتمام على البسط.

افترض توزيعًا مسبقًا مسطحًا حيث تكون الفئتان متساويتين في الاحتمالية مسبقًا. تتمثل المهمة الآن في حساب الاحتمالية، وهي احتمالية قيمة ميزة معينة في صورة من فئة معينة C. على سبيل المثال، استخدم الصور الست من الفئة L كأمثلة لحساب احتمالية وجود الميزة في صورة من الفئة L. أولاً، خذ جميع صور التدريب التي تنتمي إلى L، وحدد لكل صورة ما إذا كانت قيمة الميزة واحد (أي أن الميزة موجودة في الصورة) أو صفر (أي أن الميزة غائبة). ثم احسب كسر الصور التي تكون فيها قيمة الميزة واحد.

وبالتالي، فإن احتمالية وجود السمة في صورة من الفئة L هي 0.33؛ وللحصول على تقديرات دقيقة، استخدم 30 صورة على الأقل لكل فئة. في التجربة النموذجية، سنحتاج إلى معرفة التقدير الداخلي للشخص لهذه الاحتمالية. لاحظ كيف أن استخدام الأجنة الرقمية يجعل هذا الأمر سهلاً بشكل خاص.

بما أننا نملك تحكماً كاملاً في تعريض الخاضع للتجربة للأجنة الرقمية، فيمكننا التأكد من أن القيمة التي تم حسابها داخلياً لدى الخاضع للتجربة تتفق مع تقديرنا، وأنها غير متأثرة بأي خبرات سابقة غير متحكم بها أو مجهولة. وبطريقة مماثلة، يتم حساب احتمالات غياب ووجود الصورة في الفئتين K وL. وبناءً على هذه القيم، يمكن إجراء الاستدلال لتحديد تسمية الفئة لهذه الصورة الجديدة. أولاً، يتم تحديد ما إذا كانت السمة F موجودة في الصورة باستخدام الصيغ السابقة المحددة للاحتمالات غير الطبيعية والقيم التي تم حسابها للتو، ثم تُحسب احتمالات وجود الصورة في الفئتين K وL. وتشير هذه البيانات إلى أن الصورة تنتمي إلى الفئة K. وعلى الرغم من ذلك، وبمستوى ثقة منخفض نسبياً، فإن التخلق الشكلي الافتراضي يوفر إمداداً غير محدود من الأشكال ثلاثية الأبعاد المبتكرة.

يتم هنا توليد أجنة رقمية من خلال محاكاة العمليات الرئيسية للتخلق الجنيني البيولوجي. تبدأ كل عملية تشغيل بجسم عشريني الوجوه وتنتج جنيناً فريداً. وبناءً على إعدادات المورفوجين، يمكن معالجة الأجنة الرقمية رسومياً لإنشاء مشاهد بصرية ذات تعقيد عشوائي باستخدام أي مجموعة أدوات رسومية قياسية.

على سبيل المثال، يمكن إكساء الجنين الرقمي نفسه بأنسجة مختلفة وإضاءته حسب الرغبة. بالإضافة إلى ذلك، يمكن إنشاء مشاهد بصرية ذات تعقيد عشوائي، مثل هذا المشهد الذي يظهر فيه جنين رقمي مموه مقابل خلفية ذات نسيج مماثل، باستخدام بيئة نمذجة ورندرة ثلاثية الأبعاد متاحة تجارياً. وتعمل خوارزمية التكون الجنيني الافتراضي (virtual phy agenesis) على محاكاة التطور البيولوجي.

تحاكي خوارزمية التطور العضوي الافتراضي (virtual phy agenesis) التطور البيولوجي. حيث تظهر كائنات وفئات كائنات جديدة كاختلافات وراثية تتراكم بشكل انتقائي، ولكنها تكتسب بدورها اختلافات في الشكل أثناء تطورها. في هذا المثال المحدد، ينتج سلف مشترك واحد، وهو المجسم ذو العشرين وجهاً (icosahedron)، ثلاثة أجيال من السلالات.

تزداد تعقيدات الشكل من الشكل العشرين-وجه إلى الجيل G1 لأننا سمحنا بزيادة عدد الخلايا، ولكن يظل التعقيد العام للشكل ثابتاً من الجيل G1 فصاعداً. وتتشابه شجرة العائلة هذه من جوانب أخرى، ولكنها تستخدم كائنات غير جنينية تم تنزيلها من موردي الكائنات الافتراضية. لاحظ أن الكائنات التي تشترك في سلف مشترك تشكل فئة بشكل مباشر.

بما أنه لم يُسمح بحدوث أي انقسامات خلوية في أي جيل، فإن جميع التغيرات في الشكل ناتجة فقط عن حركة و/أو نمو الخلايا الفردية للجسم المعني. وفي هذا السيناريو، يؤدي التحول الشكلي إلى إحداث تغيرات سلسة في الشكل عن طريق استيفاء القيم بين الرؤوس المتناظرة للجسمين المحددين؛ أقصى اليسار وأقصى اليمين.

تؤدي المكونات الرئيسية للجنين أيضاً إلى إحداث تغيرات سلسة في الشكل. يمثل هذا الجنين المتوسط الحسابي لـ 400 جنين. وفي هذه الحالة تحديداً، شكّل أول مكونين رئيسيين 73% و 19% من معلومات الشكل على التوالي.

تم الحصول على الأجنة عن طريق تغيير القيم الذاتية الموزونة. يمكن تمثيل هذه الأجنة الرقمية كأجسام افتراضية ثلاثية الأبعاد، ثم طباعتها كأجسام ملموسة باستخدام طابعة ثلاثية الأبعاد أو جهاز تصنيع نماذج أولية قياسي متاح تجارياً، وذلك لدراسة الإدراك البصري كعملية استدلال، وتحديداً كاستدلال بايزي. وتعد الأجنة الرقمية أداة لا تقدر بثمن لإنشاء فئات جديدة ذات معاملات محكومة، مثل الاحتمالات السابقة والاحتمالات الشرطية.

بعد مشاهدة هذا الفيديو، يجب أن يكون لديك فهم جيد لكيفية إنشاء مجموعة من الأجنة الرقمية المناسبة لتجربتك المحددة. يمكن إنشاء كائنات فردية أو فئات كاملة بدرجات متفاوتة من التباين والتعقيد بكل سهولة. ويمكن استخدام الصور الناتجة في تجارب التعرف على الأشياء، والتصنيف، وتعلم الفئات، والعديد من التجارب الأخرى.