Erstellen von Objekten und Objekt Kategorien für Studium Wahrnehmung und Perceptual Learning

Dieses Verfahren zielt darauf ab, Objekte und Objektkategorien zu erstellen, um zu untersuchen, wie wir Objekte durch Sehen und/oder Tasten wahrnehmen und wahrnehmen lernen. Zunächst wird die virtuelle Morphogenese (VM) verwendet, um die Prozesse der frühen Embryonalentwicklung zu simulieren und neuartige naturalistische virtuelle 3D-Objekte, sogenannte digitale Embryonen, zu schaffen. Anschließend werden mit Hilfe der virtuellen Phy-Agenesie oder VP Objektkategorien mit genau definierten statistischen Eigenschaften auf Basis des eingegebenen digitalen Embryos erstellt.

Falls gewünscht, kann die Analyse der Hauptkomponenten verwendet werden, um zusätzliche Formvariationen zwischen den virtuellen Objekten zu erzeugen, die durch virtuelle Morphogenese und virtuelle Phy-Agenesie erzeugt werden. Die Wahrscheinlichkeit, dass ein bestimmtes Objekt zu einer bestimmten Kategorie gehört, kann mit der merkmalsbasierten Bayes'schen Inferenz genau berechnet werden. Bei Bedarf können haptische Drucke der entstehenden virtuellen Objekte mit Hilfe eines 3D-Druckers erzeugt werden.

Jede dieser Methoden wird später im Vergleich zu bestehenden Methoden näher erläutert. Diese neuen Ansätze erzeugen naturalistische, aber präzise messbare Formvariationen, die ohne die Notwendigkeit von vom Forscher auferlegten Einschränkungen entstehen. Sie bieten neuartige Werkzeuge in den Bereichen visuelle und haptische Wahrnehmung, Wahrnehmungslernen und maschinelles Sehen und haben potenzielle Anwendungen bei der Rehabilitation vieler Arten von Sehbehinderungen durch visuelles haptisches Cross-Metal-Training.

Interessanterweise kann diese Methode auch angewendet werden, um die Prozesse der Morphogenese und Evolution selbst zu untersuchen. Und wir hatten die Idee zu dieser Methode erst, als wir nach Möglichkeiten suchten, naturalistische, aber präzise definierbare visuelle Reize für Studien und computergestütztes Sehen zu generieren. Anfangs wussten die Personen, dass diese Methode mit ihren mathematischen und programmierintensiven Aspekten zu kämpfen haben könnte, daher wird diese visuelle Demonstration veranschaulichen, wie man diese Methode richtig implementiert und verwendet. Geben Sie im Workshop für digitale Embryonen eine Reihe von Einstellungen oder Genotypen an, um einen einzelnen Embryo zu erzeugen, um mehrere Embryonen zu erzeugen.

Wiederholen Sie diesen Vorgang mehrmals, um durch virtuelle Morphogenese komplexere Formen zu erzeugen. Erhöhen Sie die Anzahl der Wachstumszyklen, um festzulegen, wie oft sich die Zellen des Embryos teilen. Der Workshop für digitale Embryonen speichert jeden Embryo automatisch als OBJ-Datei, damit Sie den Embryo später mit kommerziellen 3D-Modellierungs-Toolkits verwenden können.

Generieren Sie die visuellen Reize, indem Sie die verschiedenen grafischen Standardparameter wie Ausrichtung, Größe, Beleuchtung, Oberflächenstruktur und Hintergrund festlegen, um Objektkategorien zu generieren. Erstellen Sie Nachkommen eines übergeordneten Objekts auf hierarchische Weise. Sie können die Form auch mithilfe von Morphing sanft variieren, wobei die Eins-zu-Eins-Entsprechung der Scheitelpunkte zwischen den Objekten erhalten bleibt.

Interessanterweise können auch andere virtuelle Objekte als digitale Embryonen als Input für die virtuelle Phy-Agenesie verwendet werden. Wählen Sie Objekte innerhalb einer bestimmten Kategorie aus, um eine bestimmte Verteilung von Features zu erreichen. Wenn Sie z. B. zwei Kategorien erstellen möchten, die sich in der Größe unterscheiden, entfernen Sie selektiv mittelgroße Objekte, um eine bimodale Verteilung der Objektgrößen zu erzeugen.

Messen Sie nun objektiv die Ähnlichkeit zwischen einem gegebenen Kategorienpaar mit verfügbaren phylogenetischen Methoden wie der kophonetischen Korrelation. Diese Berechnungen können mit allgemein verfügbaren analytischen Toolkits wie MATLAB oder R für jedes beliebige Objektpaar durchgeführt werden, bei dem jeder Scheitelpunkt eines Objekts genau einem Scheitelpunkt des anderen Objekts entspricht. Wählen Sie die Interpolationspunkte aus, und verwenden Sie lineares Morphing zwischen den beiden Objekten, um reibungslos zwischen den entsprechenden Scheitelpunkten zu interpolieren.

Bestimmen Sie zunächst die Hauptkomponenten als spezifische Deskriptoren einer gegebenen Gruppe von Objekten. Hauptkomponenten können mit dem MATLAB- oder R-Durchschnitt berechnet werden, den Koordinaten jedes Vertex über alle N Eingabeobjekte, um ein durchschnittliches Objekt zu erzeugen, eine beliebige Komponente P mit dem entsprechenden egen-Wert lambda und einem gewünschten Gewicht wj zu multiplizieren und zum durchschnittlichen Objekt zu addieren, um ein neues Objekt zu generieren. Aj fährt fort, WJ sanft zu variieren, um glatte Formvariationen entlang einer gegebenen Hauptkomponente zu erzeugen.

Um ein mehrdimensionales Raster von Formen zu erstellen, verwenden Sie einen Satz von Gewichtungen für jede der verschiedenen Hauptkomponenten. Drucken Sie 3D-Objekte mit einem 3D-Prototypenbauer. Passen Sie bei Bedarf die Größe des Objekts an und glätten Sie die Oberfläche des Objekts, um den Druck zu optimieren.

Eine wichtige Aufgabe bei der visuellen Verarbeitung ist es, auf die Kategorie zu schließen, zu der ein bestimmtes beobachtetes Objekt gehört. Zum Teil durch die Verwendung von Informationen über bekannte Merkmale des Objekts sind digitale Embryonen nützlich. Wenn wir diesen Inferenzprozess untersuchen, gehen wir davon aus, dass die Kategorisierungsaufgabe binär ist.

Das heißt, es gibt nur zwei mögliche Kategorien, und dass unsere Aufgabe darin besteht, die Kategorie K von der Kategorie L zu unterscheiden, sei C die Kategorievariable, C sei gleich K oder C gleich L, je nachdem, ob das beobachtete Bild I zur Kategorie K bzw. L gehört. Unter der Annahme, dass es genau ein binäres Merkmal F gibt, berechnen Sie anhand der Informationen im Bild eine Wahrscheinlichkeit, dass es sich bei der Kategorie um K handelt. Wählen Sie auf ähnliche Weise für die Wahrscheinlichkeit, dass die Kategorie L ist, die Kategorie mit der höheren Wahrscheinlichkeit aus.

Beginnen Sie z. B. mit dieser informativen Fragmentfunktion und einem Schwellenwert von 0,69. Die Aufgabe besteht darin, zu bestimmen, ob dieses Merkmal in einem gegebenen Bild vorhanden ist, wie das Bild ganz rechts in Straße G drei. Schieben Sie zuerst die Vorlage über alle möglichen Positionen im Bild und berechnen Sie an jeder Position den absoluten Wert der normalisierten Kreuzkorrelation zwischen der Vorlage und dem zugrunde liegenden Unterbild.

Wählen Sie dann die Bildposition mit dem höchsten Wert aus. Wenn dieser Wert über dem Schwellenwert liegt, schließen Sie daraus, dass das Feature vorhanden ist, andernfalls schließen Sie daraus, dass es nicht vorhanden ist. Im Rahmen der merkmalsbasierten Inferenz gehen wir davon aus, dass alle Informationen, die der Beobachter aus dem Bild extrahiert, im Wert dieses Merkmals enthalten sind.

Daher besteht die Aufgabe darin, den Wert von F in der gegebenen Bildverarbeitungswahrscheinlichkeit für diesen Wert F zu bestimmen und die Kategorie mit der höheren Wahrscheinlichkeit auszuwählen. Dies ist der Bayes'sche Rahmen für die Zusammenstellung aller relevanten Wahrscheinlichkeiten. Beachten Sie, dass der Nenner in beiden Gleichungen derselbe ist, beschränken Sie sich also auf den Zähler.

Nehmen wir eine flache Priori an, d.h. beide Kategorien sind apriori. Ebenso wahrscheinlich besteht die Aufgabe nun darin, die Wahrscheinlichkeit zu berechnen, dass ein bestimmter Merkmalswert in einem Bild der Kategorie C vorhanden ist.Verwenden Sie beispielsweise die sechs Bilder der Kategorie L als Beispiele, um die Wahrscheinlichkeit zu berechnen, dass das Merkmal in einem Bild der Kategorie L vorhanden ist.Nehmen Sie zunächst alle Trainingsbilder, die zu L gehören, für jedes Bild. Bestimmen Sie, ob es sich bei dem Feature-Wert um einen Wert handelt, der angibt, dass das Feature im Bild vorhanden ist, oder um einen Nullwert, der bedeutet, dass das Feature nicht vorhanden ist. Berechnen Sie dann den Anteil der Bilder, in denen der Feature-Wert eins ist.

Daher beträgt die Wahrscheinlichkeit, dass das Merkmal in einem Bild der Kategorie L vorhanden ist, 0,33. Für genaue Schätzungen sollten mindestens 30 Bilder pro Kategorie verwendet werden. In einem typischen Experiment müssten wir die interne Schätzung dieser Wahrscheinlichkeit durch das Subjekt kennen. Beachten Sie, dass die Verwendung digitaler Embryonen dies besonders einfach macht.

Da wir die volle Kontrolle über die Exposition des Probanden gegenüber digitalen Embryonen haben, können wir sicher sein, dass der intern berechnete Wert des Probanden mit unserer Schätzung übereinstimmt und nicht durch unkontrollierte und unbekannte frühere Erfahrungen beeinflusst wird. Berechnen Sie auf ähnliche Weise die Wahrscheinlichkeiten des Fehlens und Vorhandenseins des Bildes in den Kategorien K und L.Anhand dieser Werte kann eine Inferenz durchgeführt werden, um die Kategoriebezeichnung dieses neuen Bildes zu identifizieren. Zuerst bestimmen Sie, ob das Merkmal F im Bild vorhanden ist, indem Sie die vorherigen Formeln verwenden, die für nicht normale Wahrscheinlichkeiten bestimmt wurden, und die soeben berechneten Werte, berechnen Sie die Wahrscheinlichkeiten des Vorhandenseins der Kategorien K und L im Bild.Diese Daten deuten darauf hin, dass das Bild aus der Kategorie K stammt.Obwohl mit relativ geringer Sicherheit, bietet die virtuelle Morphogenese ein unbegrenztes Angebot an neuartigen 3D-Formen.

Hier werden digitale Embryonen erzeugt, indem Schlüsselprozesse der biologischen Embryogenese simuliert werden. Jeder Lauf beginnt mit einem Ikosaeder und erzeugt einen einzigartigen Embryo. Basierend auf den Morphogeneinstellungen können die digitalen Embryonen grafisch manipuliert werden, um visuelle Szenen beliebiger Komplexität mit jedem standardmäßigen grafischen Toolkit zu erstellen.

Zum Beispiel kann derselbe digitale Embryo anders texturiert und wie gewünscht beleuchtet werden. Darüber hinaus können visuelle Szenen beliebiger Komplexität, wie z. B. diese Szene mit einem digitalen Embryo, der vor einem ähnlich texturierten Hintergrund getarnt ist, unter Verwendung einer kommerziell erhältlichen 3D-Modellierungs- und Rendering-Umgebung erstellt werden. Der virtuelle Phy-Agenesie-Algorithmus emuliert die biologische Evolution.

Der virtuelle Phy-Agenesie-Algorithmus emuliert die biologische Evolution. Neuartige Objekte und Objektkategorien entstehen als vererbbare Variationen, die sich selektiv ansammeln, aber im Laufe ihrer Entwicklung eigene Formvariationen anhäufen. In diesem speziellen Beispiel bringt ein einziger gemeinsamer Vorfahre, der Ikosaeder, drei Generationen von Nachkommen hervor.

Die Formkomplexität nimmt vom Ikosaeder bis zur ersten Generation G zu, weil wir die Anzahl der Zellen zunehmen lassen, aber die Gesamtkomplexität der Form bleibt ab der ersten Generation G gleich. Dieser Stammbaum ist in anderer Hinsicht vergleichbar, verwendet jedoch nicht-embryonale Objekte, die von Anbietern virtueller Objekte heruntergeladen wurden. Beachten Sie, dass die Objekte, die einen gemeinsamen Vorfahren haben, direkt eine Kategorie bilden.

Da in keiner Generation Zellteilungen erlaubt waren, resultieren alle Formvariationen ausschließlich aus der Bewegung und/oder dem Wachstum der einzelnen Zellen des gegebenen Objekts. In diesem Szenario werden beim Morphen glatte Formvariationen erstellt, indem zwischen den entsprechenden Eckpunkten der beiden angegebenen Objekte interpoliert wird. Die äußerste Linke und die äußerste Rechte.

Die Bestandteile des Embryoprinzips sorgen auch für sanfte Formvariationen. Dieser Embryo entspricht dem arithmetischen Mittel von 400 Embryonen. In diesem speziellen Fall machten die ersten beiden Hauptkomponenten 73 % bzw. 19 % der Forminformationen aus.

Die Embryonen wurden durch Variation der gewichteten Eigenwerte gewonnen. Diese digitalen Embryonen können als virtuelle 3D-Objekte gerendert und dann als haptische Objekte mit einem handelsüblichen 3D-Drucker oder Prototyp gedruckt werden, um die visuelle Wahrnehmung als Inferenz, insbesondere als Bayes'sche Inferenz, zu untersuchen. Digitale Embryonen sind ein unschätzbares Werkzeug, um neuartige Kategorien mit kontrollierten Parametern wie Prioren und Wahrscheinlichkeiten zu erstellen.

Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie einen Satz digitaler Embryonen erstellen, der für Ihr spezielles Experiment geeignet ist. Einzelne Objekte oder ganze Kategorien mit unterschiedlicher Variabilität und Komplexität können einfach erstellt werden. Die resultierenden Bilder können für Experimente in den Bereichen Objekterkennung, Kategorisierung, Kategorienlernen und vieles mehr verwendet werden.