Name: Erstellen von Objekten und Objekt Kategorien für Studium Wahrnehmung und Perceptual Learning (Video) | JoVE Journal
Uploaded: 2012-11-02T15:00:00.000+00:00
Duration: 14 min 38 s
Description: Erfahren Sie die Erstellung virtueller 3D-Objekte durch virtuelle Morphogenese und Phylogenese für Studien zur visuellen und haptischen Wahrnehmung. Diese Methode ermöglicht präzise kontrollierte Reize für perzeptuelles Lernen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Diese Arbeit wurde zum Teil von der US Army Research Laboratory und dem US Army Research Office Gewährung W911NF1110105 und NSF IOS-1147097to Jay Hegde unterstützt. Unterstützung wurde auch von einem Piloten Zuschuss zu Jay Hegde von der Vision Discovery Institute der Georgia Health Sciences University zur Verfügung gestellt. Daniel Kersten wurde durch Zuschüsse ONR N00014-05-1-0124 und NIH R01 EY015261 und teilweise durch WCU (World Class University) Programms durch das Ministerium für Bildung, Wissenschaft und Technologie durch die National Research Foundation of Korea finanziert (R31-10008 unterstützt ). Karin Hauffen wurde von der Undergraduate Research Apprenticeship Program (Urap) der US-Armee unterstützt.

Ein. Erstellen Naturalistic Virtuelle 3-D Objekte mit VM <ol><li> Um den digitalen Embryonen zu erstellen, verwenden Sie den Digital-Embryo Workshop (DEW, siehe Tabelle 1). Jeder Lauf erzeugt einen einzelnen Embryo 14, dessen Form der einzigartig für einen gegebenen Satz von Einstellungen (oder "Genotyp") für den Lauf (1) verwendet ist. Die "Zellen" des Embryos werden als Dreiecke 14 dargestellt. <ol><li> Führen Sie das Programm so oft wie nötig, um die gewünschte Anzahl von Embryonen zu gewinnen. </li><li> Wenn komplexere Formen erwünscht sind, erhöhen die Anzahl der Wachstums-Zyklen, dh die Anzahl von Malen die Zellen des Embryos wird unterteilen. Beachten Sie, dass dies auch verlangsamen das Programm. Wenn es notwendig ist, um virtuelle Objekte als digitale Embryonen zu schaffen, verwenden Sie handelsübliche 3-D-Modellierung Werkzeuge oder erhalten virtuelle Objekte von kommerziellen Anbietern (Tabelle 1). </li></ol></li><li> Es ist generell ratsam, um die virtuelle Objekt zu speicherns in einem üblichen Dateiformat wie OBJ, so dass die Objekte leicht in einem handelsüblichen 3D-Modellierung Toolkit importiert werden. Zu diesem Zweck schreibt die DEW Objekte in OBJ Format standardmäßig. </li><li> Visuelle Reize können unter Verwendung einer oder mehrerer digitaler Embryonen mit Hilfe eines 3-D-Modellierung und Rendering-Umgebung (Tabelle 1). Verwenden Sie Standard-grafische Operationen wie Änderung der Ausrichtung, Größe, Beleuchtung, Oberflächenstruktur und Hintergrund, um die gewünschten Impulse zu erzeugen (siehe Abbildung 2). </li></ol> 2. Erstellen Naturalistic Object Kategorien mit VP <ol><li> Um Objektkategorien zu generieren, erzeugen Nachkommen (oder "Kinder") des jeweiligen Vorfahren (oder "Eltern") Objekt mit einer beliebigen Kombination der Prozesse in Schritt 1.1 oben (Abbildung 3) 9,10,12,13. <ol><li> Einige nachfolgend beschriebenen Methoden für die Erstellung glatte Form Variationen, wie Morphing oder Hauptkomponenten (siehe Schritte 3 und 4), Arbeit better, wenn alle Eingangs-Objekte über die gleiche Anzahl von Zellen und wenn eins-zu-eins-Entsprechung zu den Ecken der Objekte. Für die Erstellung solcher Objekte, verwenden Sie nur die VM Prozesse, die nicht die Anzahl von Zellen und wird die Eins-zu-eins-Entsprechung der Ecken zwischen den Objekten zu erhalten (siehe zB Generationen G 2 bis G 3 in Abbildung 3). Zum Beispiel ändert die Zellteilung und den programmierten Zelltod der Anzahl von Zellen, und machen es sehr viel schwieriger (wenn auch nicht unmöglich 17,18) um Eins-zu-Eins-Entsprechung zwischen den Scheitelpunkten eines vorgegebenen Paares von Objekten zu bestimmen. Beachten Sie, dass die Prozesse, die die Anzahl der Zellen zu verändern in einer gegebenen Objekt auch seine Form verändert Komplexität. Im Allgemeinen, je größer die Anzahl der Zellen, die größere Komplexität der Form des Objekts und seine Oberfläche glatter. </li><li> Falls erforderlich, virtuelle Objekte andere als digitale Embryonen können als Eingaben in VP (Abbildung 4) verwendet werden. </li></ol></li><li> Die Objekte innerhalb einer bestimmten Kategorie ist weiterhin so gewählt werden, wie eine gegebene Verteilung der Funktionen 19 zu erreichen. Zum Beispiel kann ein selektiv zu eliminieren mittelgroßen Objekten aus einer gegebenen Kategorie, um eine bimodale Verteilung der Objektgröße erzeugen. </li><li> Es gibt keine einzige Methode, die universell optimal für die Messung der verfügbaren Form Informationen für alle Kategorien ist, noch gibt es eine einzige Methode, die optimal für die Kategorisierung aller Objekte 20-22 ist. Somit muss der Experimentator wählen diese Methoden auf die Kategorien und rechnerische Ziele bei der Hand 20-22 basiert. Schritt 4 beschreibt ein üblicherweise verwendetes Verfahren zum Manipulieren verschiedener Aspekte der verfügbaren Forminformation. </li><li> Die Ähnlichkeit zwischen einem gegebenen Paar von Kategorien können objektiv gemessen werden unter Verwendung verfügbarer phylogenetischer Methoden 23,24. Zum Beispiel kann die vertikale (oder "evolutionären ') Abstand zwischen einem gegebenen Paar von Kategorien, wie gemessen durch hierarchische clustering Methoden in der R statistischen Toolkit, ist ein objektives Maß der Kategorie Ähnlichkeit 25,26. </li></ol> 3. Weitere Methoden für das Erstellen Form Variation: Digital Morphing <ol><li> Jedes gegebene Paar von Objekten, so dass jeder Scheitelpunkt des einen Objekts in genau eine Ecke des anderen Objekts (. Dh Objekte mit Eins-zu-Eins-Entsprechung zwischen den Scheitelpunkten) entspricht, ist unkompliziert Morphing 17,18,27-29: Darin Dabei werden glatte Variationen (oder "morphs ') zwischen den zwei Objekten durch reibungslos Interpolieren zwischen den entsprechenden Scheitelpunkten und Normalen (Abbildung 5) hergestellt. Abhängig von dem Paar von Objekten gewählt, Morphing in neue Kategorien oder zusätzliche Kinder innerhalb einer Kategorie führen. <ol><li> Die Objekte in 5 gezeigt wurden mit linearen Morphing 27-29. Die Objekte können verwandelt (oder verzogen) durch eine Vielzahl von anderen zur Verfügung Umformtechniken 17,18 werden. </li></ol></li><li> Um eine gewünschte Verteilung der morphed Formen zu erstellen, wählen Sie die Stützpunkte entsprechend. </li></ol> 4. Weitere Methoden für das Erstellen Form Variation: Principal Components <ol><li> Um Hauptkomponenten verwenden, um Formvarianten erzeugen, muss man zuerst die Hauptkomponenten 15. Hauptkomponenten sind spezifisch für die gegebene Menge von Objekten zur Ermittlung sie 26 verwendet. Für gute Ergebnisse, verwenden Sie mindestens 30 Objekte mit einer Eins-zu-eins-Entsprechung zwischen den Knoten 26. </li><li> Generieren Sie eine durchschnittliche Objekt aus einer gewünschten Menge von n Eingangs-Objekte, durch getrenntes Mittelung die Koordinaten und die Normalen jeder Ecke über alle Objekte. Somit wird der x einer gegebenen Knoten k von Koordinatenwerten sollte der Mittelwert der x-Koordinaten der Knoten k aller n Objekte, und so weiter. </li><li> Verwenden Sie die Matlab-Funktion princompauf Hauptkomponenten der n Objekte zu bestimmen. Dies erzeugt n-1 nicht null Eigenvektoren, zusammen mit dem entsprechenden n-1 Eigenwerte 26. </li><li> Um ein neues Objekt zu erzeugen A j aus einer gegebenen Hauptbestandteil P i, multiplizieren P i durch den Eigenwert λ i und eine gewünschte Gewicht w j und fügen Sie den durchschnittlichen Objekt: A j = + w j λ i P i </li><li> Jeder einzigartige w j erzeugt ein einzigartiges Objekt. Durch eine sanfte Variation w kann man erstellen glatte Form Variationen entlang eines vorgegebenen Hauptkomponente. </li><li> Gestalt Variationen entlang einer unabhängigen Form Dimension zu erstellen, wiederholen Sie Schritt 4,4 mit einem anderen Hauptkomponente. </li><li> Um eine gewünschte Verteilung der Formen entlang einer vorgegebenen Hauptbestandteil erstellen, verwenden Sie die gewünschte Verteilung der w. &lt;/ Li&gt; </li><li> Um ein mehrdimensionales Gitter von Formen zu erstellen, verwenden Sie einen Satz von Gewichten für jeden von mehreren Hauptkomponenten: <img alt="Gleichung 2" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" data-altupdatedat="1787634011000" data-alt="Gleichung 2"></li></ol> 5. Erstellen Haptic Versionen von 3-D Objekte <ol><li> 'Print-out "3-D-Objekte mit Hilfe eines 3-D Prototypist (oder 3-D" Drucker "). Falls erforderlich, die Größe des Objekts und glätten die Oberfläche des Objekts vor dem Druck. </li></ol> 6. Ein Exemplar Anwendung: Bayesian Inference of Image Kategorie <ol><li> Eine wichtige Aufgabe in der visuellen Verarbeitung abzuleiten, zu welcher Kategorie eine bestimmte beobachtete Objekt gehört. Obwohl der genaue Mechanismus dieser Folgerung ist unbekannt, es ist sowohl Rechen-und physiologischen Beweise 9,12,13,30-32 dass es unter Verwendung der Information über bekannte Merkmale des Objekts in dem gegebenen Bild, um die Kategorie des Objektes umfasst ableiten. Hier werden wir ILLUSTRAte, wie diese Schlussfolgerungen Prozess kann in einem Bayes-Rahmen zu arbeiten, und wie digitale Embryonen kann nützlich sein für die Forschung in diesem Bereich. </li><li> Der Einfachheit halber gehen wir davon aus, dass die Kategorisierung Aufgabe binär ist und beinhaltet Unterscheidungsmerkmal Kategorie K aus der Kategorie L (Abbildung 3). Sei C die Kategorie Variable sein. Wir folgern, dass C = K oder C = L je nachdem, ob der beobachtete Bild I gehört zur Kategorie K oder L. Ein typischer Ansatz zur Kategorisierung umfasst: <ol><li> Berechnen der Wahrscheinlichkeit, dass die Kategorie K ist angesichts der Information in das Bild, bezeichnet p (C = K | I); </li><li> Berechnen der Wahrscheinlichkeit, dass die Kategorie L aufgrund von Angaben in dem Bild ist, bezeichnet p (C = L | I), und </li><li> Die Auswahl der Kategorie mit der höheren Wahrscheinlichkeit. </li></ol></li><li> Als nächstes werden wir der Einfachheit halber annehmen,dass es genau eine binäre Funktion F. Diese Funktion kann entweder in dem Bild vorhanden (bezeichnet F = 1) oder außerhalb des Bildes (bezeichnet F = 0). In diesem Beispiel wird die 'informative Fragment "-Funktion in Abbildung 8 dargestellt. Informative Fragmente wurden zuerst von Ullman und Kollegen 33 beschrieben. Im vorliegenden Fall verwenden wir das Bild Vorlage in Abbildung 8 als Funktion dargestellt, und einen Schwellwert von 0,69. Um festzustellen, ob diese Funktion in einem gegebenen Bild (sagen wir, die am weitesten rechts Bild in der Reihe G3 in Abbildung 3) ist, verwenden wir die folgenden Schritte: <ol><li> Gleiten diese Vorlage über alle möglichen Stellen in dem Bild, und Berechnen, an jedem Ort, den absoluten Wert der normalisierten Kreuzkorrelation zwischen der Schablone und dem darunterliegenden Teilbild. </li><li> Wählen Sie die Lage des Bildes mit dem höchsten Wert (0,60 im vorliegenden Fall). </li><li> Liegt dieser Wert über der Schwelle, folgerndass die Funktion vorhanden ist, andernfalls schließen, dass es nicht vorhanden ist. In unserem Fall, da die höchste Korrelation 0,60 unter der Schwelle von 0,69 schließen wir, dass das Merkmal fehlt in diesem Bild ist. </li><li> Die Begründung der Verwendung solcher Funktionen, und die Mechanismen der Auswahl von Funktionen und die Bestimmung ihrer Schwellenwerte überschreiten den Rahmen dieses Berichts, sondern werden im Detail in Lit. beschrieben. 33, 30. </li></ol></li><li> Im Rahmen der Feature-basierten Inferenz nehmen wir an, dass alle Informationen, die Beobachter Extrakte aus dem Bild des Wertes dieses Merkmals enthalten ist, i. e, daß p (C | I). = p (C | F). Daher wird die Aufgabe, die der Bestimmung des Wertes von F in dem gegebenen Bild (anwesend oder abwesend), Berechnung von P (C = K | F) und p (C = L | F) für diesen Wert F, und Auswählen der Kategorie mit je höher Wahrkeit. </li><li> In der Bayes-Rahmen, </li></ol><img alt="Gleichung 3" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" data-altupdatedat="1787634011000" data-alt="Gleichung 3"> Deshalb <img alt="Gleichung 4" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" data-altupdatedat="1787634011000" data-alt="Gleichung 4"> und <img alt="Gleichung 5" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" data-altupdatedat="1787634011000" data-alt="Gleichung 5"> Beachten Sie, dass der Nenner in den beiden Gleichungen die gleiche ist. (| F C = K) und p daher, p Vergleichen (C = L | F), ist es nicht notwendig, um den Nenner zu berechnen, sondern es genügt, um die Mengen zu berechnen p (C = K | F) α p (C = K) p (F | C = K) und p (C = L | F) α p (C = L) p (C | C = L) These werden manchmal auch als "normalisierte Wahrscheinlichkeiten". Der Begriff p (C) wird als "Stand" und der Begriff p (F | C) wird als "Wahrscheinlichkeit '. <ol start="6"><li> Der Einfachheit halber nehmen wir an, eine 'flat' vor: p (C = K) = p (C = L) = 0,5. </li><li> Die Aufgabe besteht nun darin, p berechnen (F | C), die Wahrscheinlichkeit einer gegebenen Funktion Wert in einem Bild einer gegebenen Kategorie C. <ol><li> Wir werden die sechs Bilder der Kategorie L (Abbildung 3) als ein Beispiel verwenden, um p zu berechnen (F = 1 | C = L), ist die Wahrscheinlichkeit, dass die Funktion in einem Bild der Kategorie L ist. </li><li> Zu berechnen p (F = 1 | C = L), erste treffen alle Trainingsbildern, die L angehören. Ferner werden diese in 3 gezeigt. </li><li> Für jedes Bild, ob die Funktion den Wert 1 (anwesend ist) Oder 0 (fehlend), wie in (6.3.1) beschrieben - (6.3.3). In unserem Fall für die sechs Bilder in 3 gezeigt, sind die Werte: [0, 0, 1, 0, 1, 0]. </li><li> Berechne die Fraktion von Bildern, in denen das Merkmal Wert 1 ist. In unserem Fall ist es 06.02 = 0,33. </li><li> Daher p (F = 1 | C = L) = 0,33. Beachten Sie, dass genaue Schätzungen zu erhalten, sollte man mindestens 30 Bilder pro Klasse. </li><li> In ähnlicher Weise kann man berechnen, dass p (F = 0 | C = L) = 0,67, p (F = 1 | C = K) = 0,83, p (F = 0 | C = K) = 0,17. </li></ol></li><li> Angesichts dieser Werte kann Inferenz durchgeführt werden. Angenommen, dass wir ein neues Bild (Abbildung 9) gegeben, und die Aufgabe ist es, die Kategorie-Label zu bestimmen. Dies wird wie folgt durchgeführt: <ol><li> Wir bestimmen, ob das Merkmal F in dem Bild vorhanden ist, wie in (6.3.1) beschrieben - (6.3.3). In unserem Fall ist die featur vorhanden ist, so F = 1. </li><li> Unter Verwendung der Gleichungen (1) und (2), und die Werte berechnet in (6.7.5) - (6.7.6) kann man berechnen, dass p (C = K | F = 1) = 0,42 und p (C = L | F = 1) = 0,17. </li><li> Mit diesen Informationen ist es rational zu dem Schluss, dass das Bild aus der Kategorie K ist, mit relativ geringem Selbstvertrauen. </li></ol></li><li> Es könnte sein, interessant und nützlich für einen solchen Ansatz in einem biologischen System (sagen wir, psychophysisch) zu testen. In diesem Fall könnte Verhaltensstörungen Vorhersagen und verglichen werden gegen die rechnerischen Ergebnisse wie die in (6.8.2) erhalten. Um genaue Vorhersagen zu machen, gute Schätzungen von p (F | C) erforderlich sind. Solche Schätzungen können jedoch schwierig sein, für bekannte Objekte zu erhalten. Der Grund ist, dass eines Subjekts Schätzung von p (F | C) wird nicht direkt beobachtbar und es ist äußerst schwierig, da es das Motiv berechnen'S vor der Exposition gegenüber natürlichen Bildern ist unkontrollierbar und unbekannt. Wenn hingegen digitale Embryonen für die Experimente verwendet werden, dann ist es möglich, genau steuern, welche Embryonen und Embryo Kategorien Gegenstand ausgesetzt ist. Dies macht es leicht, die Mengen von Interesse aus genau den gleichen Daten der Gegenstand ausgesetzt war berechnen. Die Tatsache, dass Embryonen "Aussehen naturalistischen ist hilfreich, da es es wahrscheinlich, dass sich das Motiv mit der gleichen Kategorisierung Strategie mit natürlichen Kategorien macht. </li></ol>

<ol><li>Palmeri, T. J., Gauthier, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+object+understanding%5BTitle%5D)+AND+%22Nat.+Rev.+Neurosci%22%5BJournal%5D)">Visual object understanding.</a> Nat. Rev. Neurosci. 5, 291-303 (2004).</li>
<li>Seger, C. A., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Category+learning+in+the+brain%5BTitle%5D)+AND+%22Annu.+Rev.+Neurosci%22%5BJournal%5D)">Category learning in the brain.</a> Annu. Rev. Neurosci. 33, 203-219 (2010).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Perceptual+Learning%22">Perceptual Learning</a>. Fahle, M., Poggio, T. , MIT Press. (2002).</li>
<li>Ashby, F. G., Maddox, W. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+category+learning%5BTitle%5D)+AND+%22Annu.+Rev.+Psychol%22%5BJournal%5D)">Human category learning.</a> Annu. Rev. Psychol. 56, 149-178 (2005).</li>
<li>Gauthier, I., Tarr, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Becoming+a+%22Greeble%22+expert%3A+exploring+mechanisms+for+face+recognition%5BTitle%5D)+AND+%22Vision+Res%22%5BJournal%5D)">Becoming a "Greeble" expert: exploring mechanisms for face recognition.</a> Vision Res. 37, 1673-1682 (1997).</li>
<li>Op de Beeck, H. P., Baker, C. I., DiCarlo, J. J., Kanwisher, N. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Discrimination+training+alters+object+representations+in+human+extrastriate+cortex%5BTitle%5D)+AND+%22J.+Neurosci%22%5BJournal%5D)">Discrimination training alters object representations in human extrastriate cortex.</a> J. Neurosci. 26, 13025-13036 (2006).</li>
<li>Cui, M. L., Copsey, L., Green, A. A., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+control+of+organ+shape+by+combinatorial+gene+activity%5BTitle%5D)+AND+%22PLoS+Biol%22%5BJournal%5D)">Quantitative control of organ shape by combinatorial gene activity.</a> PLoS Biol. 8, e1000538(2010).</li>
<li>Green, A. A., Kennaway, J. R., Hanna, A. I., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genetic+control+of+organ+shape+and+tissue+polarity%5BTitle%5D)+AND+%22PLoS+Biol%22%5BJournal%5D)">Genetic control of organ shape and tissue polarity.</a> PLoS Biol. 8, e1000537(2010).</li>
<li>Hegdé, J., Bart, E., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fragment-based+learning+of+visual+object+categories%5BTitle%5D)+AND+%22Curr.+Biol%22%5BJournal%5D)">Fragment-based learning of visual object categories.</a> Curr. Biol. 18, 597-601 (2008).</li>
<li>Fragment-based learning of visual categories. Bart, E., Hegdé, J., Kersten, D. Cosyne 2008 Conference, 2008 Feb 28-Mar 2, Salt Lake City, , Cosyne. Salt Lake City. 121-12 (2008).</li>
<li>Ball, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBall%2C+P+%22Nature%27s+patterns+%3A+a+tapestry+in+three+parts%22">Nature's patterns : a tapestry in three parts</a>. , Oxford University Press. (2009).</li>
<li>Vuong, Q. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+categorization%3A+when+categories+fall+to+pieces%5BTitle%5D)+AND+%22Curr.+Biol%22%5BJournal%5D)">Visual categorization: when categories fall to pieces.</a> Curr. Biol. 18, 427-429 (2008).</li>
<li>Kromrey, S., Maestri, M., Hauffen, K., Bart, E., Hegde, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fragment-based+learning+of+visual+object+categories+in+non-human+primates%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Fragment-based learning of visual object categories in non-human primates.</a> PLoS One. 5, e15444(2010).</li>
<li>Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bootstrapped+learning+of+novel+objects%5BTitle%5D)+AND+%22J.+Vis%22%5BJournal%5D)">Bootstrapped learning of novel objects.</a> J. Vis. 3, 413-422 (2003).</li>
<li>Blanz, V., Vetter, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+morphable+model+for+the+synthesis+of+3D+faces%5BTitle%5D)+AND+%22SIGGAPH%22%5BJournal%5D)">A morphable model for the synthesis of 3D faces.</a> SIGGAPH. 26, 187-194 (1999).</li>
<li>Freedman, D. J., Riesenhuber, M., Poggio, T., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Categorical+representation+of+visual+stimuli+in+the+primate+prefrontal+cortex%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Categorical representation of visual stimuli in the primate prefrontal cortex.</a> Science. 291, 312-316 (2001).</li>
<li>Lerios, A., Garfinkle, C. D., Levoy, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Feature-based+volume+metamorphosis%5BTitle%5D)+AND+%22SIGGRAPH%22%5BJournal%5D)">Feature-based volume metamorphosis.</a> SIGGRAPH. , 449-456 (1995).</li>
<li>Bronstein, A. M., Bronstein, M. M., Kimmel, R. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBronstein%2C+AM+%22Numerical+geometry+of+non-rigid+shapes%22">Numerical geometry of non-rigid shapes</a>. , Springer. (2008).</li>
<li>Lotka, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Natural+Selection+as+a+Physical+Principle%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Natural Selection as a Physical Principle.</a> Proc. Natl. Acad. Sci. U.S.A. 8, 151-154 (1922).</li>
<li>Duda, R. O., Hart, P. E., Stork, D. G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDuda%2C+RO+%22Pattern+classification%22">Pattern classification</a>. , 2nd edn, Wiley. (2001).</li>
<li>Bishop, C. M. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBishop%2C+CM+%22Pattern+recognition+and+machine+learning%22">Pattern recognition and machine learning</a>. , Springer. (2006).</li>
<li>Theodoridis, S., Koutroumbas, K. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aTheodoridis%2C+S+%22Pattern+recognition%22">Pattern recognition</a>. , 3rd edn, Academic Press. (2006).</li>
<li>Sokal, R. R. Biometry : The principles and practice of statistics in biological research. , 4th edn, W.H. Freeman and Co. (2011).</li>
<li>Tuffery, S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aTuffery%2C+S+%22Data+mining+and+statistics+for+decision+making%22">Data mining and statistics for decision making</a>. , Wiley. (2011).</li>
<li>Crawley, M. J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCrawley%2C+MJ+%22Statistical+Computing%3A+An+Introduction+to+Data+Analysis+using+S-Plus%22">Statistical Computing: An Introduction to Data Analysis using S-Plus</a>. , Wiley. (2002).</li>
<li>Venables, W. N., Ripley, B. D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVenables%2C+WN+%22Modern+Applied+Statistics+with+S%22">Modern Applied Statistics with S</a>. , Springer. (2003).</li>
<li>Beier, T., Neely, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Feature-based+image+metamorphosis%5BTitle%5D)+AND+%22SIGGRAPH%22%5BJournal%5D)">Feature-based image metamorphosis.</a> SIGGRAPH. 26, 35-42 (1992).</li>
<li>Kent, J. R., Carlson, W. E., Parent, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shape+transformation+for+polyhedral+objects%5BTitle%5D)+AND+%22SIGGRAPH%22%5BJournal%5D)">Shape transformation for polyhedral objects.</a> SIGGRAPH. 26, 47-54 (1992).</li>
<li>Gomes, J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGomes%2C+J+%22Warping+and+morphing+of+graphical+objects%22">Warping and morphing of graphical objects</a>. , Morgan Kaufmann Publishers. (1999).</li>
<li>Ullman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Object+recognition+and+segmentation+by+a+fragment-based+hierarchy%5BTitle%5D)+AND+%22Trends+Cogn.+Sci%22%5BJournal%5D)">Object recognition and segmentation by a fragment-based hierarchy.</a> Trends Cogn. Sci. 11, 58-64 (2007).</li>
<li>Kobatake, E., Tanaka, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuronal+selectivities+to+complex+object+features+in+the+ventral+visual+pathway+of+the+macaque+cerebral+cortex%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">Neuronal selectivities to complex object features in the ventral visual pathway of the macaque cerebral cortex.</a> J. Neurophysiol. 71, 856-867 (1994).</li>
<li>Serre, T., Wolf, L., Poggio, T. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSerre%2C+T+%22Proceedings+of+2005+IEEE+Computer+Society+Conference+on+Computer+Vision+and+Pattern+Recognition+%28CVPR%29%22">Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR)</a>. , IEEE Computer Society Press. (2005).</li>
<li>Ullman, S., Vidal-Naquet, M., Sali, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+features+of+intermediate+complexity+and+their+use+in+classification%5BTitle%5D)+AND+%22Nat.+Neurosci%22%5BJournal%5D)">Visual features of intermediate complexity and their use in classification.</a> Nat. Neurosci. 5, 682-687 (2002).</li>
<li>Davis, M. J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDavis%2C+MJ+%22Computer+graphics%22">Computer graphics</a>. , Nova Science Publishers. (2011).</li>
<li>Lengyel, E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLengyel%2C+E+%22Mathematics+for+3D+game+programming+and+computer+graphics%2C+third+edition%22">Mathematics for 3D game programming and computer graphics, third edition</a>. , 3rd Ed, Cengage Learning. (2011).</li>
<li>Gilbert, S. F. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGilbert%2C+SF+%22Developmental+biology%22">Developmental biology</a>. , 9th edn, Sinauer Associates. (2010).</li>
<li>Gilbert, S. F., Epel, D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGilbert%2C+SF+%22Ecological+developmental+biology+%3A+integrating+epigenetics%2C+medicine%2C+and+evolution%22">Ecological developmental biology : integrating epigenetics, medicine, and evolution</a>. , Sinauer Associates. (2009).</li>
<li>Hegdé, J., Thompson, S. K., Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Object+Recognition+in+Clutter%3A+Cortical+Responses+Depend+on+the+Type+of+Learning%5BTitle%5D)+AND+%22Frontiers+in+Human+Neuroscience%22%5BJournal%5D)">Object Recognition in Clutter: Cortical Responses Depend on the Type of Learning.</a> Frontiers in Human Neuroscience. 6, 170(2012).</li>
<li>Mervis, C. B., Rosch, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Categorization+of+natural+objects%5BTitle%5D)+AND+%22Annual+Review+of+Psychology%22%5BJournal%5D)">Categorization of natural objects.</a> Annual Review of Psychology. 32, 89-115 (1981).</li>
<li>Futuyma, D. J. Evolution. , 2nd edn, Sinauer Associates. (2009).</li>
</ol>

Keine Interessenskonflikte erklärt.

Nützlichkeit der VM und VP in Cognitive Science Research Wir haben zuvor die Nützlichkeit VM und VP im Detail l9 ,10,12-14 beschrieben. Kurz gesagt, ist VM, insbesondere die digitale Embryo Methodik, nützlich, weil es eine prinzipielle und flexible Methode für die Erstellung von Roman, aber naturalistischen 3-D Objekte 14 zur Verfügung stellt. Ähnlich stellt VP eine prinzipielle Methode zur Erstellung naturalistischen Kategorien 9,10,12,13. Es ist erwähnenswert, dass das Objekt Kategorien von VP teilen viele Eigenschaften mit Objektkategorien in der Natur, einschließlich der Tatsache, dass die Kategorien zu sein in der Natur hierarchische neigen, und die Funktion Schwankungen innerhalb und zwischen den Kategorien entstehen unabhängig von der Experimentator und die Algorithmen zur Klassifizierung generiert sie 39. Aktuelle Einschränkungen und Future Directions Drei aktuelle Grenzen unserer Protokoll und die Richtungen für die zukünftige Arbeit, die sie vorschlagen,Besonders hervorzuheben sind: Erstens, simulieren sowohl VM und VP biologische Prozesse. Während wir zeigen, dass nicht-biologische virtuelle Objekte als Substrate für diese Prozesse verwendet werden können, sind die zugrundeliegenden Prozesse noch biologisch motiviert. Allerdings natürliche Objekte - unterziehen Formveränderungen durch nicht-biologische Kräfte - biologischen und nicht-biologischen gleichermaßen. Zum Beispiel kann Felsen in Form durch geologische Prozesse wie Erosion oder Sedimentation ändern. Neue Kategorien von Rock kann von anderen derartigen geologischen Prozessen entstehen. Es sollte relativ einfach sein, diese Prozesse in das Repertoire der verfügbaren Formänderung Algorithmen integrieren. Der zweite wichtige Einschränkung unseres Protokolls ist, dass seine aktuellen Repertoire der dynamischen Formänderungen eher begrenzt. Es ist wünschenswert, um eine größere Anordnung von Formveränderungen, wie biologische Bewegung oder Bewegungen durch externe Kräfte wie Wind, Wasser oder Schwerkraft zu integrieren. Wir erwarten, dass es will relativ einfach sein, um die bekannten Computer-Animation-Algorithmen tragen solche dynamische Form Änderungen zu implementieren. Der dritte wichtige Einschränkung unserer Protokolls ist, dass VM derzeit nicht enthalten viele andere bekannte morphogenetischen Prozesse einschließlich, vor allem, Gastrulation 36. Es wird auch nicht einige bekannte Beschränkungen, wie beispielsweise die Tatsache, dass die Morphogenese in Pflanzen vollständig durch Wachstum vermittelt wird, mit wenig oder keiner Zellbewegung möglich, weil der Zellwände 36 einzuarbeiten. Ebenso übernimmt die VP keine anderen bekannten phylogenetischen Prozesse wie genetische Drift 40. Die Bewältigung dieser Einschränkungen würde sehr helfen, erleichtern die Nutzung unseres Protokolls in Entwicklungs-, ökologischen und evolutionären Simulationen.

<table border="1"><tbody><tr><td> Name des toolkit / Geräte </td><td> Unternehmen / Autor </td><td> Katalog # </td><td> Kommentare </td></tr><tr><td> Digitale Embryo Workshop (DEW) </td><td> Mark Brady und Dan Gu </td><td></td><td> Dieses benutzerfreundliche, menügeführte Tool kann kostenlos heruntergeladen als Download 1 werden vom <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> . Derzeit nur für Windows. </td></tr><tr><td> Digitale Embryo Werkzeuge für Cygwin </td><td> Jay Hegde und Karin Hauffen </td><td></td><td> Dies ist eine lose Sammlung von nicht-so-user-friendly-Programme. Sie sollen von der Kommandozeilen-Schnittstelle des Cygwin Linux-Emulator für Windows ausgeführt werden. Diese Programme können als Download 2 heruntergeladen werden <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos. Die Cygwin-Schnittstelle selbst kann kostenlos heruntergeladen werden von <a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> . </td></tr><tr><td> Autodesk 3ds Max, Montreal, Quebec, Kanada </td><td> Autodesk Media and Entertainment </td><td> 3DS Max </td><td> Dies ist ein 3-D-Modellierung, Animation und Rendering-Toolkit mit einem flexiblen Plugin-Architektur und einem integrierten Skriptsprache. Für die meisten der gängigen Betriebssystemen. </td></tr><tr><td> MATLAB </td><td> Mathworks Inc., Natick, MA, USA </td><td> MATLAB </td><td> Dies ist ein numerischer Computing-Umgebung und Programmiersprache mit vielen nützlichen Add-On-Funktionen. Für die meisten der gängigen Betriebssystemen. </td></tr><tr><td> R statistischen Toolkit </td><td> R Project for Statistical Computing </td><td> R </td><td> Heruntergeladen werden kann kostenlos von <a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /. Für die meisten der gängigen Betriebssystemen. </td></tr><tr><td> OpenGL </td><td> Khronos Group </td><td> OpenGL </td><td> Diese Cross-Sprache, plattformübergreifende grafische Toolkit kann kostenlos heruntergeladen werden von <a href="http://www.opengl.org" target="_blank">www.opengl.org</a> . </td></tr><tr><td> V-Flash Personal Printer </td><td> 3D Systems Inc., Rock Hill, SC, USA </td><td> V-Flash </td><td> Dies ist ein guter Wert für alle 3-D-Druck-Anwendungen in diesem Bericht beschrieben. Die Print-Materialien auch von 3D Systems vended, Inc. Weniger teure Modelle sind in Open-Source-Form aus RepRap (rapmanusa.com) und MakerGear. Teureren Modellen (&gt; $ 30 K) sind von Objet Geometries, 3DS Systems, Z-Corp, Dimension Printing etc. zur Verfügung </td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquid Inc., New York, LA </td><td> (Verschiedene Objekte) </td><td> Verschiedene virtuelle 3-D-Objekte können von dieser Seite kostenlos oder gegen eine Gebühr heruntergeladen werden. </td></tr><tr><td></td><td></td><td></td><td> Tabelle 1. Table Of Spezifische Toolkits und Ausrüstung. </td></tr></tbody></table>

erstellen von objekten und objekt kategorien für studium wahrnehmung und perceptual learning

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Um quantitativ zu untersuchen Objektwahrnehmung es die Wahrnehmung von biologischen Systemen oder Maschinen, muss man Objekte und Objektgruppen Kategorien mit genau definierbaren, vorzugsweise naturalistischen, Eigenschaften 1 zu schaffen. Weiterhin für Studien über Lernvorgangs, ist es nützlich, um neue Objekte und Objektteile Positionen (oder Objektklassen) mit solchen Eigenschaften 2 zu erstellen. Viele innovative und nützliche Methoden existieren derzeit für die Erstellung neuer Objekte und Objektkategorien 3-6 (siehe auch refs. 7,8). Im Allgemeinen jedoch, die bestehenden Methoden haben drei Arten von Mängeln. Zuerst werden Formvariationen allgemein durch den Experimentator 5,9,10 auferlegt, und kann daher von der Variabilität der natürlichen Kategorien, und eignen sich für eine bestimmte Erkennungs-Algorithmus. Es wäre wünschenswert, wenn die Variationen entstehen unabhängig von der externally auferlegten Zwängen. Zweitens müssen die bestehenden Methoden Schwierigkeit der Erfassung der Form der Komplexität von natürlichen Objekten 11-13. Wenn das Ziel ist, natürliches Objekt der Wahrnehmung zu untersuchen, ist es wünschenswert, für Objekte und Objektkategorien naturalistisch sein, um so mögliche confounds und Sonderfälle zu vermeiden. Drittens ist es im Allgemeinen schwierig, zur quantitativen Messung der verfügbaren Informationen in den Stimuli durch herkömmliche Verfahren erzeugt. Es wäre wünschenswert, um Objekten und Objektkategorien schaffen, wo die verfügbaren Informationen genau gemessen werden kann und, soweit erforderlich, systematisch manipuliert (oder &quot;abgestimmten&quot;). Dies erlaubt es, die Aufgabe zugrunde Erkennungsaufgaben quantitativ formulieren. Hier beschreiben wir eine Reihe von Algorithmen oder Methoden, die alle drei der oben genannten Kriterien erfüllen. Virtuelle Morphogenese (VM) entwickelt neuartige, naturalistische virtuellen 3-D-Objekte als &quot;digitale Embryonen durchSimulation der biologische Prozess der Embryogenese 14. Virtuelle Phylogenese (VP) entwickelt neuartige, naturalistische Objektkategorien durch Simulation den evolutionären Prozess der natürlichen Selektion 9,12,13. Objekte und Objektkategorien durch diese Simulationen erstellt wurden, können weiter durch verschiedene Morphing-Methoden manipuliert werden, um systematische Variationen der Formeigenschaften 15,16 generieren. Die VP und Morphing Methoden können auch angewendet werden, im Prinzip, um neue virtuelle Gegenstände als digitale Embryonen oder virtuellen Versionen von Objekten der realen Welt 9,13. Virtuelle Objekte auf diese Weise erstellt wurden, können als visuelle Bilder mit einem herkömmlichen grafischen Toolkit, mit dem gewünschten Manipulationen Oberflächenstruktur, Beleuchtung, Größe, Sicht-und Hintergrund gerendert werden. Die virtuellen Objekte können auch &quot;gedruckt&quot; werden als haptische Objekte mit einem herkömmlichen 3-D Prototypist. Wir beschreiben auch einige Implementierungen dieser Rechenalgorithmen zu illus helfentrieren den potentiellen Nutzen der Algorithmen. Es ist wichtig, um die Algorithmen von deren Implementation unterscheiden. Die Implementierungen sind Demonstrationen ausschließlich als &quot;proof of principle&quot; der zugrunde liegenden Algorithmen angeboten. Es ist wichtig zu beachten, daß im allgemeinen eine Umsetzung eines Rechenalgorithmus oft Einschränkungen, dass der Algorithmus selbst nicht. Zusammen repräsentieren diese Methoden eine Reihe von leistungsfähigen und flexiblen Tools für die Untersuchung Objekterkennung und perzeptuellen Lernen durch biologische und Rechensysteme gleichermaßen. Mit entsprechenden Erweiterungen, können diese Methoden auch als nützlich erweisen bei der Untersuchung der Morphogenese und Phylogenese.

VM kann verwendet werden, um eine nahezu unbegrenzte Versorgung mit neuartigen 3-D-Formen erzeugen. Einige Vorbild digitalen Embryonen mit Hilfe des VM-Algorithmus werden in der untersten Teil der Abbildung 1 dargestellt. Jedes dieser 16 Embryonen, die durch Verwendung der 'growEmbryos.exe "-Programm in den digitalen Embryo Werkzeuge für Cygwin (siehe Tabelle 1) für 40 Wachstum generiert wurden Zyklen. Alle anderen Wachstumsparameter wurden intern durch das Programm gesetzt. Die meisten dieser Parameter konstant waren (dh, von einer identischen Embryo zum nächsten). Einige Parameter, wie die Position und Stärke des Morphogens Quellen waren Zufallsparameter intern vom Programm unabhängig für jeden Lauf gesetzt. Die Form Variationen unter diesen 16 Embryonen ergaben sich ausschließlich als Folge der Schwankungen in diesen zufälligen Parameter. Einige Beispiele von Oberflächentexturierung 34,35 Verwendung einiger willkürlich gewählten Texturen sind in 2A gezeigt. Visuelle Szenen einerrbitrary Komplexität kann unter Verwendung eines kommerziell erhältlichen 3-D Rendering-Modellierung und Umwelt, wie in 2B gezeigt. Ein Vertreter "Stammbaum" von VP mit digitalen Embryonen erzeugt wird in Abbildung 3 gezeigt. Vergleichbare Bäume können auch unter Verwendung digitaler Objekte außer Embryonen werden, wie in Abbildung 4 dargestellt. Beachten Sie, dass in jedem Fall werden die Objekte, die einen gemeinsamen Vorfahren geradehin eine Kategorie, obwohl der Experimentator kann auch wählen, eine Kategorie wie jede andere Gruppe von Objekten definieren. Es ist erwähnenswert, aus Abbildung 4, dass unsere aktuelle Implementierung der VM und VP-Algorithmen, um relativ glatte, gekrümmte Oberflächen, um gezackte oder flache Objekte im Gegensatz zu produzieren tendiert. Es ist auch erwähnenswert, dass dies vermutlich ist die Begrenzung unserer Implementierung dieser Algorithmen und nicht die Algorithmen selbst kann, da biolological Prozesse produzieren Zielts mit flachen Oberflächen und zerklüftete Konturen (zB., Rosenblatt). Die 5 und 6 veranschaulichen die Ergebnisse von zwei typischen Verfahren, die neben verwendet werden kann, oder anstelle der VP zum Erstellen prinzipiellen Abweichungen in Form und Objekt Objektkategorien. Der obere Teil der Abbildung 7 zeigt visuelle Darstellungen von zwei digitalen Embryonen und der untere Teil der Abbildung 7 zeigt die entsprechende Ausdrucke von einer handelsüblichen 3-D Prototypist erzeugt. Die 8 und 9 veranschaulichen die in Abschnitt 6 zur Verwendung Bildfragmente um eine gegebene visuelle Objekt kategorisieren beschrieben. <img alt="Abbildung 1" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig1highres.jpg" src="/files/ftp_upload/3358/3358fig1.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 1"> Abbildung 1. Virtuelle Morphogenese. 14. Morphogen-vermittelte Zellteilung, Zellwachstum, Bewegung und den programmierten Zelltod 7,8,36,37: Digital Embryonen können durch die Simulation eines oder mehrere der einige der wichtigsten Prozesse der biologischen Embryogenese erzeugt werden. Jeder Lauf beginnt mit einem Ikosaeder (gezeigt in der oberen Platte), und erzeugt einen eindeutigen Embryo, in Abhängigkeit von den VM Parametereinstellungen (oder der "Genotyp") dieser Embryos. So haben die 16 Embryonen in der Bodenplatte verschiedenen Formen, weil sie alle haben verschiedene Genotypen. Beachten Sie, dass einfachere oder komplexere Formen können nach Bedarf erzeugt werden (zB um optimal zu stimulieren Neuronen auf einem gegebenen Niveau des visuellen Hierarchie) durch Manipulieren des Genotyps des Embryos. Alle vorgenannten embryogenetische Prozesse außer programmierten Zelltod waren Erzeugen die Embryonen gezeigt simuliert. Simulierte programmierten Zelltod ist insbesonderenützlich zum Erstellen gezielte Vertiefungen (nicht dargestellt). <img alt="Abbildung 2" fo:content-width="3.6in" fo:src="/files/ftp_upload/3358/3358fig2highres.jpg" src="/files/ftp_upload/3358/3358fig2.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 2"> Abbildung 2. Erstellen visueller Reize mit digitalen Embryonen. Wie jede virtuelle 3-D-Objekt, digital Embryonen können grafisch manipuliert werden, um visuelle Szenen von beliebiger Komplexität mit allen gängigen 3-D grafisches Toolkit erstellen. Diese Abbildung zeigt einige gemeinsame Manipulationen. (A) Die gleichen digitalen Embryo ist strukturiert mit vielen verschiedenen Texturen und beleuchtet von einer unsichtbaren Lichtquelle oben links. (B) A getarnt Szene durch Größenanpassung und Neuausrichtung der digitalen Embryo und erstellt digital indem sie gegen den gleichen Hintergrund war es gemasert mit. Der digitale Embryo kann in 'plain view' in der rechten unteren Quadranten gefunden werden. Weitere Beispiele von visuellen Reizen creBedienung des Gerätes über digitale Embryonen, siehe Lit.. 9,10,12-14,38. <img alt="Abbildung 3" fo:content-width="5in" fo:src="/files/ftp_upload/3358/3358fig3highres.jpg" src="/files/ftp_upload/3358/3358fig3.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 3"> Abbildung 3. Erstellung von digitalen Embryo Kategorien mit VP. Die VP Algorithmus simuliert biologische Evolution, dass in beiden Fällen neue Objekte und Objektgruppen Kategorien vererbbare hervorgehen Varianten reichern sich selektiv. In jeder Generation G i, zeugen ausgewählten Embryonen, was zu Generation G i +1. Die Nachkommen erben die Form Merkmale ihrer Eltern, aber zufließen Formvarianten der eigenen (wie durch kleine Variationen in ihren Genotyp bestimmt) wie sie sich entwickeln. Diese Abbildung zeigt einen "Stammbaum" der drei Generationen von Nachkommen ausgehend von einem einzigen gemeinsamen Vorfahren, ein Ikosaeder. Man beachte, dass in diesem Fall die Form Komplexität steigt von der Ikosaeder zu generierendenIonen-G 1, aber nicht von G 1 weiter. Dies liegt daran Anstieg der Zellzahlen (dh., Zellteilung) von der Ikosaeder zu Generation G 1 erlaubt wurde, aber nicht von G 1 weiter. Im Allgemeinen neigt die Zellteilung Gestalt Komplexität zu erhöhen, während andere Prozesse, wie morphogenetischen Zellbewegung und Zellwachstum Form verändern, ohne die Gesamtkomplexität des Form. <img alt="Abbildung 4" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig4highres.jpg" src="/files/ftp_upload/3358/3358fig4.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 4"> Abbildung 4. VP Verwendung virtueller Objekte außer digitalen Embryonen. Diese Figur hilft veranschaulichen die allgemeine Prinzip, dass virtuelle Objekte andere als digitale Embryonen als Eingabe für VP verwendet werden. Der VP-Algorithmus in seiner jetzigen Form kann auf jedem virtuellen 3-D-Objekt, dessen Oberfläche besteht ausschließlich aus Dreiecken zu betreiben. Generation G 1 comprised (von links nach rechts) ein Kürbis, Diamant, Gesichtsmaske, Apfel, Rock und Kakteen. Beachten Sie, dass die Objekte in der Generation G 1 in dieser Figur nicht einen gemeinsamen Vorfahren, weil VP nicht erfordert. Objekte in G 2 und G 3 stellen die Nachfahren der Fels in G 1. Keine Zellteilungen wurden in irgendeiner Generation erlaubt, so dass alle Formabweichungen ausschließlich von der Bewegung und / oder das Wachstum der einzelnen "Zellen" des gegebenen Objekts entstand. <img alt="Abbildung 5" fo:content-width="6.5in" fo:src="/files/ftp_upload/3358/3358fig5highres.jpg" src="/files/ftp_upload/3358/3358fig5.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 5"> Abbildung 5. Verwendung Morphing auf glatten Variationen in Form zu erstellen. Morphing beinhaltet unter zwei vorgegebenen Objekten (ganz links und ganz rechts in dieser Figur Embryo) und die Berechnung der Zwischen-Objekte (intervenierenden Embryonen) durch Interpolieren zwischen den entsprechenden Ecken der beiden designiertend Objekte. Im gezeigten Fall wurden alle Scheitelpunkte mit dem gleichen interpolierten skalaren Faktor, was zu einem linearen Morphing. Es ist jedoch auch möglich, die Gegenstände nichtlinear morphen (nicht dargestellt). Morphing ist rechnerisch einfach, wenn es eine exakte Eins-zu-Eins-Entsprechung zwischen den Scheitelpunkten von zwei Objekten, wie in dem Fall gezeigt. Jedoch ist es möglich, im Prinzip Morph zwischen zwei bestimmten virtuellen Objekte unabhängig davon, ob ihre Ecken entsprechen genau, obwohl es keine eindeutigen prinzipielle Methode dafür 17,18. <img alt="Abbildung 6" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig6highres.jpg" src="/files/ftp_upload/3358/3358fig6.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 6"> Abbildung 6. Mit Hauptkomponenten auf glatten Variationen in Form zu erstellen. (A) Durchschnittliche Embryo. Dieser Embryo ist der arithmetische Mittelwert von 400 Embryonen (200 jeweils aus den Kategorien K und L inAbbildung 3). Hauptkomponenten berechnet wurden, wie in Schritt 4.3 beschrieben. Beachten Sie, dass die Hauptkomponenten voneinander unabhängige, abstrakte Form Abmessungen der 400 Embryonen darstellen (nicht dargestellt) 25,26. 400 Embryonen ergeben 399 Nicht-Null-Hauptkomponenten 25,26, die zusammen für alle die Varianz oder die Form Informationen zur Verfügung kollektiv in den Embryonen. Vereinbarungsgemäß werden die Hauptkomponenten in absteigender Reihenfolge ihrer Eigenwerte, oder der Anteil der gesamten Varianz erklären sie 25,26 angeordnet. In diesem Fall werden die ersten beiden Hauptkomponenten jeweils einen Anteil von 73% und 19% der Forminformation in den 400 Embryonen. (B) Embryonen, die unterschiedliche Gewichte (oder genauer gesagt, gewichtete Eigenwerte) der Principal Component 1 repräsentieren. Die Gewichte von +2 (ganz links) bis -2 (ganz rechts) in gleichen Schritten von -0,2 variiert. (C) Embryonen, die verschiedene Gewichte von Principal Compon stellenent 2. Die Gewichte auch von +2 (ganz links) bis -2 (ganz rechts) in gleichen Schritten von -0,2 variiert. Beachten Sie, dass die Manipulation Hauptkomponenten nicht ausschließlich manipulieren beliebige bestimmten Körperteil des Embryos (zB., Die Flügel des Embryos in dem gezeigten Fall). Jedoch, falls erforderlich, Karosserieteilen von virtuellen 3-D-Objekte können in beliebiger benutzerdefinierte Mode unter Verwendung der meisten der im Handel erhältlichen 3-D Modellierungsumgebungen (nicht dargestellt) manipuliert werden. <img alt="Abbildung 7" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig7highres.jpg" src="/files/ftp_upload/3358/3358fig7.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 7"> Abbildung 7. Erstellen haptische Objekte. Virtuelle 3-D-Objekte können "gedruckt" werden als haptische Objekte mit einem Standard, kommerziell erhältlichen 3-D 'Drucker' oder Prototypist. Diese Abbildung zeigt digitale Embryonen als visuelle Objekte (obere Reihe) oder wie die entsprechenden haptischen Objekte (untere Reihe) gerendert. Die haptische Objekte shown in dieser Figur wurden gedruckt werden etwa 6 cm breit (Maßstabsbalken = 1 cm), obwohl die Gegenstände in viel kleinere oder größere Größen gedruckt werden kann. <img alt="Abbildung 8" src="/files/ftp_upload/3358/3358fig8.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 8"> Abbildung 8. Eine Vorlage für ein Beispiel informativen Fragment. In diesem Beispiel hat die Schablone einen Schwellenwert von 0,69 zugeordnet. <img alt="Abbildung 9" fo:content-width="2.5in" fo:src="/files/ftp_upload/3358/3358fig9highres.jpg" src="/files/ftp_upload/3358/3358fig9.jpg" data-altupdatedat="1787634011000" data-alt="Abbildung 9"> Abbildung 9. Ein neues Bild für die das Objekt Kategorie nicht bekannt ist und bestimmt werden muss.

Wir beschreiben eine neuartige Methodik zur Schaffung naturalistischen 3-D Objekte und Objektgruppen Kategorien mit genau definierten Funktion Variationen. Wir verwenden Simulationen der biologischen Prozesse der Morphogenese und Phylogenese zu neuen, naturalistischen virtuellen 3-D-Objekte und Objekt-Rubriken, die dann als visuelle Bilder oder haptische Objekte gerendert werden können.

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

Um die Objektwahrnehmung, sei es durch biologische Systeme oder durch Maschinen, quantitativ zu untersuchen, müssen Objekte und Objekt...

Dieses Verfahren zielt darauf ab, Objekte und Objektkategorien zu erstellen, um zu untersuchen, wie wir Objekte durch Sehen und/oder Tasten wahrnehmen und diese Wahrnehmung erlernen. Zunächst wird die virtuelle Morphogenese oder VM verwendet, um die Prozesse der frühen embryonalen Entwicklung zu simulieren und neuartige, natürliche, virtuelle 3D-Objekte – sogenannte digitale Embryonen – zu erzeugen. Anschließend werden mithilfe der virtuellen Phylogenese oder VP Objektkategorien mit präzise definierten statistischen Eigenschaften basierend auf dem eingegebenen digitalen Embryo erstellt.Falls gewünscht, kann eine Hauptkomponentenanalyse verwendet werden, um zusätzliche Formvariationen zwischen den durch virtuelle Morphogenese und virtuelle Phylogenese erzeugten virtuellen Objekten zu erzeugen. Die Wahrscheinlichkeit, dass ein gegebenes Objekt einer bestimmten Kategorie angehört, kann mithilfe einer merkmalsbasierten bayesschen Inferenz präzise berechnet werden. Gegebenenfalls können haptische Ausdrucke der resultierenden virtuellen Objekte mittels eines 3D-Druckers erzeugt werden.Jede dieser Methoden wird später im Vergleich zu bestehenden Methoden detaillierter erläutert. Diese neuen Ansätze erzeugen naturalistische, aber präzise messbare Formvariationen, die entstehen, ohne dass vom Untersucher vorgegebene Beschränkungen erforderlich sind. Sie stellen neuartige Werkzeuge in den Bereichen visuelle und haptische Wahrnehmung, wahrnehmungsbasiertes Lernen und maschinelles Sehen dar und haben potenzielle Anwendungen bei der Rehabilitation vieler Arten visueller Beeinträchtigungen durch visuell-haptisches Kreuzmetalltraining.Interessanterweise kann diese Methode auch zur Untersuchung der Prozesse der Morphogenese und Evolution selbst angewendet werden, und wir hatten erstmals die Idee zu dieser Methode, als wir nach Wegen suchten, naturalistische, aber präzise definierbare visuelle Reize für Studien zur Computer Vision zu erzeugen. Anfänglich könnten Einzelpersonen bei der Anwendung dieser Methode Schwierigkeiten mit ihren mathematischen und programmierungsintensiven Aspekten haben, daher wird diese visuelle Demonstration zeigen, wie man die Methode korrekt implementiert und anwendet. Im Digital-Embryo-Workshop geben Sie einen Satz von Einstellungen oder ein Genotyp zur Erzeugung eines einzelnen Embryos an, um mehrere Embryos zu erzeugen.Wiederholen Sie diesen Vorgang mehrfach, um komplexere Formen durch virtuelle Morphogenese zu erzeugen. Erhöhen Sie die Anzahl der Wachstumszyklen, um festzulegen, wie oft sich die Zellen des Embryos teilen werden. Der digitale Embryo-Workshop speichert jeden Embryo automatisch als OBJ-Datei, sodass Sie den Embryo später mit kommerziellen 3D-Modellierungstools verwenden können.Erzeugen Sie die visuellen Reize, indem Sie verschiedene standardmäßige grafische Parameter wie Orientierung, Größe, Beleuchtung, Oberflächenstruktur und Hintergrund einstellen, um Objektkategorien zu generieren. Erstellen Sie nachfolgende Objekte eines Stammobjekts auf hierarchische Weise. Sie können die Form auch kontinuierlich durch Morphing variieren, wobei die eineindeutige Zuordnung der Eckpunkte zwischen den Objekten erhalten bleibt.Interessanterweise können auch virtuelle Objekte, die keine digitalen Embryonen sind, als Eingaben für die virtuelle Phylogenese verwendet werden. Wählen Sie gezielt Objekte innerhalb einer bestimmten Kategorie aus, um eine gewünschte Merkmalsverteilung zu erzielen. Wenn Sie beispielsweise zwei Kategorien erzeugen möchten, die sich in der Größe unterscheiden, eliminieren Sie gezielt mittelgroße Objekte, um eine bimodale Verteilung der Objektgrößen zu erzeugen.Messen Sie nun objektiv die Ähnlichkeit zwischen einem gegebenen Paar von Kategorien unter Verwendung verfügbarer phylogenetischer Methoden, wie beispielsweise der Kophonetischen Korrelation. Diese Berechnungen können mit gängigen Analysetools wie MATLAB oder R für jedes beliebige Paar von Objekten durchgeführt werden, bei denen jeder Vertex eines Objekts genau einem Vertex des anderen Objekts entspricht; die Morphing-Prozedur ist in diesem Fall unkompliziert. Wählen Sie die Interpolationspunkte aus und verwenden Sie lineares Morphing zwischen den beiden Objekten, um glatt zwischen den entsprechenden Vertices zu interpolieren.Zunächst werden die Hauptkomponenten als spezifische Deskriptoren eines gegebenen Objektsatzes bestimmt. Die Hauptkomponenten können mithilfe von MATLAB oder R berechnet werden. Dazu werden die Koordinaten jedes Vertex über alle N Eingangsobjekte gemittelt, um ein Durchschnittsobjekt zu erzeugen. Anschließend wird jede Komponente P mit dem entsprechenden Eigenwert Lambda und einem gewünschten Gewicht wj multipliziert und zum Durchschnittsobjekt addiert, um ein neues Objekt zu erzeugen. Durch fortlaufende, gleichmäßige Variation von wj entstehen glatte Formänderungen entlang einer gegebenen Hauptkomponente.Um ein mehrdimensionales Raster von Formen zu erstellen, verwenden Sie einen Satz Gewichte für jede der mehreren Hauptkomponenten. Drucken Sie 3D-Objekte mithilfe eines 3D-Prototypers aus. Passen Sie gegebenenfalls die Größe des Objekts an und glätten Sie die Oberfläche des Objekts, um den Druck zu optimieren.Eine wichtige Aufgabe der visuellen Verarbeitung besteht darin, die Kategorie abzuleiten, zu der ein gegebenes beobachtetes Objekt gehört. Unter teilweiser Nutzung von Informationen über bekannte Merkmale des Objekts sind digitale Embryonen nützlich. Bei der Untersuchung dieses Schlussfolgerungsprozesses nehmen wir an, dass die Kategorisierungsaufgabe binär ist.Das bedeutet, es gibt nur zwei mögliche Kategorien, und unsere Aufgabe besteht darin, Kategorie K von Kategorie L zu unterscheiden. Sei C die Kategorievariable, wobei C gleich K oder C gleich L ist, je nachdem, ob das beobachtete Bild I zur Kategorie K oder L gehört. Unter der Annahme, dass es genau ein binäres Merkmal F gibt, berechnen Sie die Wahrscheinlichkeit dafür, dass die Kategorie K ist, unter Berücksichtigung der im Bild enthaltenen Informationen. Ebenso berechnen Sie die Wahrscheinlichkeit dafür, dass die Kategorie L ist, und wählen Sie die Kategorie mit der höheren Wahrscheinlichkeit aus.Beispielsweise beginnen Sie mit dieser informativen Fragment-Charakteristik und einem Schwellenwert von 0,69. Die Aufgabe besteht darin, zu bestimmen, ob diese Charakteristik in einem gegebenen Bild wie dem rechtesten Bild in Straße G drei vorhanden ist. Verschieben Sie zunächst die Vorlage über alle möglichen Positionen im Bild und berechnen Sie an jeder Position den Absolutwert der normalisierten Kreuzkorrelation zwischen der Vorlage und dem zugrundeliegenden Teilbild.Danach wählen Sie die Bildposition mit dem höchsten Wert aus. Wenn dieser Wert über der Schwelle liegt, schließen Sie, dass das Merkmal vorhanden ist, andernfalls schließen Sie, dass es fehlt. Im Rahmen der merkmalsbasierten Inferenz nehmen wir an, dass sämtliche Informationen, die der Beobachter aus dem Bild extrahiert, im Wert dieses Merkmals enthalten sind.Daher besteht die Aufgabe darin, den Wert von F in dem gegebenen Bild zu bestimmen, indem Wahrscheinlichkeiten für diesen Wert F berechnet werden, und anschließend die Kategorie mit der höheren Wahrscheinlichkeit auszuwählen. Dies ist das bayessche Rahmenwerk zur Kombination aller relevanten Wahrscheinlichkeiten. Beachten Sie, dass der Nenner in den beiden Gleichungen derselbe ist, sodass die Aufmerksamkeit auf den Zähler beschränkt werden kann.Gehen Sie von einer flachen A-priori-Annahme aus, dass beide Kategorien a priori gleich wahrscheinlich sind. Die Aufgabe besteht nun darin, die Likelihood – die Wahrscheinlichkeit eines gegebenen Merkmalswerts in einem Bild einer gegebenen Kategorie C – zu berechnen. 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. Zunächst werden alle Trainingsbilder, die zu L gehören, herangezogen; für jedes Bild wird bestimmt, ob der Merkmalswert eins ist – das heißt, das Merkmal ist im Bild vorhanden – oder null – das heißt, das Merkmal ist nicht vorhanden. Anschließend berechnen Sie den Anteil der Bilder, in denen der Merkmalswert eins beträgt.Daher beträgt die Wahrscheinlichkeit, dass das Merkmal in einem Bild der Kategorie L vorhanden ist, 0,33; für genaue Schätzungen sind mindestens 30 Bilder pro Kategorie erforderlich. In einem typischen Experiment müssten wir die interne Schätzung des Probanden für diese Wahrscheinlichkeit kennen. Beachten Sie, wie die Verwendung digitaler Embryonen dies besonders einfach macht.Da wir die vollständige Kontrolle über die Exposition der Versuchsperson gegenüber digitalen Embryonen haben, können wir sicher sein, dass der vom Probanden intern berechnete Wert mit unserer Schätzung übereinstimmt und nicht durch unkontrollierte oder unbekannte frühere Erfahrungen beeinflusst wird. Auf ähnliche Weise berechnen Sie die Wahrscheinlichkeiten für das Fehlen und das Vorhandensein des Bildes in den Kategorien K und L. Anhand dieser Werte kann eine Schlussfolgerung gezogen werden, um das Kategorie-Label dieses neuen Bildes zu identifizieren. Bestimmen Sie zunächst, ob das Merkmal F im Bild vorhanden ist, indem Sie die zuvor für unnormalisierte Wahrscheinlichkeiten festgelegten Formeln und die gerade berechneten Werte verwenden. Berechnen Sie anschließend die Wahrscheinlichkeiten für das Vorhandensein der Kategorien K und L im Bild. Diese Daten deuten darauf hin, dass das Bild der Kategorie K angehört. Obwohl mit relativ geringer Sicherheit, bietet die virtuelle Morphogenese eine unbegrenzte Anzahl neuartiger 3D-Formen.Hier werden digitale Embryonen erzeugt, indem zentrale Prozesse der biologischen Embryogenese simuliert werden. Jeder Durchlauf beginnt mit einem Ikosaeder und erzeugt einen einzigartigen Embryo. Basierend auf den Morphogen-Einstellungen können die digitalen Embryonen grafisch manipuliert werden, um mit jedem gängigen grafischen Werkzeug visuelle Szenen beliebiger Komplexität zu erstellen.Beispielsweise kann derselbe digitale Embryo unterschiedlich texturiert und nach Wunsch beleuchtet werden. Außerdem lassen sich visuelle Szenen beliebiger Komplexität – wie etwa diese Szene mit einem digitalen Embryo, der sich vor einem ähnlich strukturierten Hintergrund tarnen kann – mithilfe einer handelsüblichen 3D-Modellierungs- und Renderumgebung erstellen. Der virtuelle Phy-Agenesis-Algorithmus ahmt die biologische Evolution nach.Der virtuelle Phylogenese-Algorithmus ahmt die biologische Evolution nach. Neue Objekte und Objektkategorien entstehen als vererbbare Variationen, die sich selektiv ansammeln, jedoch eigene Formvariationen entwickeln, während sie sich weiterentwickeln. In diesem speziellen Beispiel erzeugt ein einziger gemeinsamer Vorfahr, das Ikosaeder, drei Generationen von Nachkommen.Die Formkomplexität nimmt von dem Ikosaeder bis zur Generation G1 zu, da wir eine Zunahme der Zellenanzahl zulassen, doch ab der Generation G1 bleibt die Gesamtformkomplexität unverändert. Dieser Stammbaum ist in anderen Aspekten vergleichbar, verwendet jedoch keine Embryo-Objekte, die von Anbietern virtueller Objekte heruntergeladen wurden. Beachten Sie, dass Objekte, die einen gemeinsamen Vorfahren teilen, auf einfache Weise 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 erzeugt das Morphing sanfte Formveränderungen, indem es zwischen den entsprechenden Eckpunkten der beiden vorgegebenen Objekte interpoliert. Ganz links und ganz rechts.Die Hauptkomponenten des Embryos erzeugen ebenfalls glatte Formvariationen. Dieser Embryo stellt den arithmetischen Mittelwert von 400 Embryonen dar. In diesem speziellen Fall erklärten die ersten beiden Hauptkomponenten 73 % bzw. 19 % der Forminformation.Embryonen wurden durch Variation der gewichteten Eigenwerte erhalten. Diese digitalen Embryonen können als virtuelle 3D-Objekte dargestellt und anschließend mithilfe eines handelsüblichen 3D-Druckers oder Rapid-Prototyping-Geräts als haptische Objekte ausgedruckt werden, um visuelle Wahrnehmung als Schlussfolgern zu untersuchen, insbesondere als bayessches Schlussfolgern. Digitale Embryonen sind ein unschätzbares Hilfsmittel zur Erzeugung neuartiger Kategorien mit kontrollierten Parametern wie A-priori- und Likelihood-Funktionen.Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie man einen Satz digitaler Embryonen erstellt, der für Ihr spezielles Experiment geeignet ist. Einzelne Objekte oder ganze Kategorien mit unterschiedlichem Grad an Variabilität und Komplexität können alle problemlos erstellt werden. Die resultierenden Bilder können für Experimente zur Objekterkennung, Kategorisierung, Kategorielernen und vielen anderen verwendet werden.

creating-objects-object-categories-for-studying-perception-perceptual

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Wahrnehmungs-und Kategorie Verarbeitung des Unheimlichen Tal Hypothese &#39;Dimension der menschlichen Figur: Einige methodologische Probleme

3-4 Monate, Primas vocalizations für die menschliche und nicht-menschliche Hören fördert Kleinkinder Erkenntnis; von 6 Monaten, üben nur menschliche vocalizations diesen kognitiven Vorteil. Wir beschreiben eine Belichtungs Manipulation, die die kraftvolle Formgebung Rolle der Erfahrung zeigt, wie Kinder angeben, die Erkenntnis zu verknüpfen klingt und der zu tune out.

Erfahrung ist Instrumental in Tuning eine Verbindung zwischen Sprache und Kognition: Der Nachweis von 6- bis 7-Monate altes Kleinkinder Objekt Kategorisierungs

Hier präsentieren wir ein Protokoll für die Einarbeitung-Test Paradigmen, die möglicherweise ein direkteren Tests der Säugling Kategorisierung und dazu beitragen, die Rolle der Sprache in Früherziehung Kategorie definieren.

Bestimmung der Rolle der Sprache bei Säuglingen Objekt Kategorisierung mit Eyetracking-Paradigmen

Wir beschreiben Methoden zur Darstellung realer Objekte und übereinstimmender Bilder derselben Objekte unter streng kontrollierten experimentellen Bedingungen. Die Methoden werden im Kontext einer Entscheidungsaufgabe beschrieben, aber derselbe reale Ansatz kann auf andere kognitive Bereiche wie Wahrnehmung, Aufmerksamkeit und Gedächtnis ausgedehnt werden.

Methoden zur Darstellung realer Objekte unter kontrollierten Laborbedingungen

In diesem Artikel wird beschrieben, wie Sie ein Experiment einrichten, das es ermöglicht, Einflüsse auf die Objektwahrnehmung mithilfe der Magnetoenzephalographie (MEG) auf Quellenebene zu erkennen. Es umfasst Stimulusmaterial, experimentelles Design, MEG-Aufzeichnung und Datenanalyse.

Erkennung von Vor-Stimulus-Source-Level-Effekten auf die Objektwahrnehmung mit Magnetoenzephalographie

Das Protokoll stellt ein experimentelles psychophysikalisches Paradigma vor, um große Mengen an Ähnlichkeitsurteilen zu erhalten, und einen begleitenden Analyse-Workflow. Das Paradigma untersucht Kontexteffekte und ermöglicht die Modellierung von Ähnlichkeitsdaten in Bezug auf euklidische Räume von mindestens fünf Dimensionen.

Ein psychophysikalisches Paradigma zur Sammlung und Analyse von Ähnlichkeitsurteilen

Hier beschreiben wir Methoden zu testen, C. elegans assoziativen Lernens sowie kurz-und langfristigen assoziativen Gedächtnisses. Diese Bevölkerung Assays verwenden die Würmer Fähigkeiten chemotax Richtung flüchtigen Geruchsstoffe und bilden positive Assoziationen bei Paarung Essen mit dem Lockstoff Butanon. Erhöhung der Zahl der Konditionierung Perioden induziert Langzeitgedächtnis.

C. elegans Positive Butanone Learning, kurzfristige und langfristige Assoziative Speicher Assays

Adult-geboren Neuronen exprimiert ChR2 kann in Scheiben elektrophysiologischen Vorbereitungen manipuliert werden, um ihren Beitrag zur Funktion des olfaktorischen neuronale Schaltkreise zu untersuchen.

Mit Affordable LED Arrays für Photo-Stimulation von Neuronen

Adult-geboren Neuronen des Bulbus kann optogenetically gesteuert werden mit Channelrhodopsin2-exprimierenden lentiviralen Injektion in den rostralen wandernde Bach und chronischen Photostimulation mit einem implantierten Mini-LED.

Selektive Viral Transduktion von Adult-geboren olfaktorischen Neuronen für chronische In vivo Optogenetische Stimulation

Eine effiziente Möglichkeit, Einblick, wie Menschen navigieren sich in drei Dimensionen gewinnen wird beschrieben. Das Verfahren nutzt eine Bewegungssimulator Lage ist, sich Beobachter in einer Weise, unerreichbar von traditionellen Simulatoren. Die Ergebnisse bestätigen, dass Bewegung in der horizontalen Ebene unterschätzt wird, während die vertikale Bewegung wird überschätzt.

MPI CyberMotion Simulator: Implementierung eines neuartigen Motion Simulator zu Multisensorische Pfadintegration in drei Dimensionen erforschen

Erfahren Sie die Erstellung virtueller 3D-Objekte durch virtuelle Morphogenese und Phylogenese für Studien zur visuellen und haptischen Wahrnehmung. Diese Methode ermöglicht präzise kontrollierte Reize für perzeptuelles Lernen.

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

Weitere Videos entdecken