Creación de objetos y categorías de objetos para el estudio de la percepción y el aprendizaje perceptivo

Este procedimiento tiene como objetivo crear objetos y categorías de objetos para estudiar cómo percibimos y aprendemos a percibir objetos mediante la vista y/o el tacto. Primero, se utiliza la morfogénesis virtual o VM para simular los procesos del desarrollo embrionario temprano y crear nuevos objetos virtuales tridimensionales naturalistas denominados embriones digitales. Luego, mediante la filogénesis virtual o VP, se crean categorías de objetos con propiedades estadísticas precisamente definidas basadas en el embrión digital de entrada.

Si se desea, se puede utilizar el análisis de componentes principales para crear variaciones de forma adicionales entre los objetos virtuales generados mediante la morfogénesis virtual y la filogénesis virtual. La probabilidad de que un objeto determinado pertenezca a una categoría dada puede calcularse con precisión mediante inferencia bayesiana basada en características. Si es necesario, se pueden generar impresiones hápticas de los objetos virtuales resultantes utilizando una impresora 3D.

Cada uno de estos métodos se ilustrará con mayor detalle más adelante en comparación con los métodos existentes. Estos nuevos enfoques generan variaciones de forma naturalistas pero precisamente medibles, que surgen sin necesidad de restricciones impuestas por el investigador. Ofrecen herramientas novedosas en los campos de la percepción visual y háptica, el aprendizaje perceptual y la visión por computadora, y tienen aplicaciones potenciales en la rehabilitación de muchos tipos de discapacidades visuales mediante entrenamiento cruzado visual-háptico.

Curiosamente, este método también puede aplicarse para estudiar los procesos de morfogénesis y evolución en sí mismos, y tuvimos la idea por primera vez de este método cuando estábamos buscando formas de generar estímulos visuales naturalistas, pero precisamente definibles, para estudios de visión computacional. Inicialmente, las personas que conocieron este método podrían tener dificultades con sus aspectos intensivos en matemáticas y programación, por lo que esta demostración visual ilustrará cómo implementar y utilizar adecuadamente este método. En el taller del embrión digital, especifique un conjunto de configuraciones o genotipo para generar un solo embrión con el fin de producir múltiples embriones.

Repita este proceso varias veces para generar formas más complejas mediante morfogénesis virtual. Aumente el número de ciclos de crecimiento para especificar la cantidad de veces que las células del embrión se dividirán. El taller de embrión digital guarda automáticamente cada embrión como un archivo OBJ, de modo que pueda utilizar posteriormente el embrión con herramientas comerciales de modelado 3D.

Genere los estímulos visuales ajustando diversos parámetros gráficos estándar, como orientación, tamaño, iluminación, textura de la superficie y fondo, para generar categorías de objetos. Cree descendientes de un objeto ancestral de manera jerárquica. También puede variar suavemente la forma mediante morfing, manteniendo al mismo tiempo la correspondencia uno a uno de los vértices entre los objetos.

Curiosamente, también se pueden utilizar objetos virtuales distintos a los embriones digitales como entradas para la filogénesis virtual. Seleccione objetos dentro de una categoría determinada para lograr una distribución específica de características. Por ejemplo, si desea crear dos categorías que difieran en tamaño, elimine selectivamente los objetos de tamaño medio para generar una distribución bimodal de los tamaños de los objetos.

Ahora, mida objetivamente la similitud entre un par dado de categorías utilizando métodos filogenéticos disponibles, como la correlación cofonética. Estos cálculos pueden realizarse utilizando herramientas analíticas comúnmente disponibles, como MATLAB o R, para cualquier par dado de objetos donde cada vértice de un objeto corresponda exactamente a un vértice del otro objeto, lo que hace que la transformación sea sencilla. Seleccione los puntos de interpolación y utilice una transformación lineal entre los dos objetos para interpolar suavemente entre los vértices correspondientes.

Primero, determine los componentes principales como descriptores específicos de un conjunto dado de objetos. Los componentes principales pueden calcularse utilizando MATLAB o R promedio, las coordenadas de cada vértice en todos los objetos de entrada N para generar un objeto promedio, multiplique cualquier componente P por el valor propio correspondiente lambda y un peso deseado wj, y añada al objeto promedio para generar un nuevo objeto. Continúe variando suavemente wj para crear variaciones de forma suaves a lo largo de un componente principal dado.

Para crear una cuadrícula multidimensional de formas, utilice un conjunto de pesos para cada uno de varios componentes principales. Imprima objetos tridimensionales utilizando un prototipador 3D. Si es necesario, ajuste el tamaño del objeto y alise su superficie para optimizar la impresión.

Una tarea importante en el procesamiento visual consiste en inferir la categoría a la que pertenece un objeto observado determinado. En parte mediante el uso de información sobre características conocidas del objeto, los embriones digitales son útiles. Al estudiar este proceso inferencial, supongamos que la tarea de categorización es binaria.

Es decir, existen solo dos categorías posibles y nuestra tarea consiste en distinguir la categoría K de la categoría L; sea C la variable de categoría, donde C es igual a K o C es igual a L según si la imagen observada I pertenece a la categoría K o L, respectivamente. Suponiendo que existe exactamente una característica binaria F, calcule la probabilidad de que la categoría sea K dada la información en la imagen. De manera similar, calcule la probabilidad de que la categoría sea L, y elija la categoría con la probabilidad más alta.

Por ejemplo, comience con esta característica informativa de fragmento y un valor umbral de 0.69. La tarea consiste en determinar si esta característica está presente en una imagen dada, como la imagen más a la derecha en la carretera G tres. Primero deslice la plantilla sobre todas las ubicaciones posibles en la imagen y calcule en cada ubicación el valor absoluto de la correlación cruzada normalizada entre la plantilla y la subimagen subyacente.

Luego, seleccione la ubicación de la imagen con el valor más alto. Si este valor supera el umbral, concluya que la característica está presente; de lo contrario, concluya que está ausente. Dentro del marco de la inferencia basada en características, asumimos que toda la información que el observador extrae de la imagen está contenida en el valor de esta característica.

Por lo tanto, la tarea consiste en determinar el valor de F en la imagen dada, calculando las probabilidades para ese valor F y seleccionando la categoría con mayor probabilidad. Este es el marco bayesiano para combinar todas las probabilidades relevantes. Obsérvese que el denominador en las dos ecuaciones es el mismo, por lo que se puede centrar la atención en el numerador.

Suponga una distribución previa uniforme en la que ambas categorías son a priori igualmente probables. La tarea ahora consiste en calcular la verosimilitud, es decir, la probabilidad de un valor determinado de una característica en una imagen de una categoría dada C. Por ejemplo, utilice las seis imágenes de la categoría L como ejemplos para calcular la probabilidad de que la característica esté presente en una imagen de la categoría L. Primero, tome todas las imágenes de entrenamiento que pertenecen a L; para cada imagen, determine si el valor de la característica es uno (es decir, la característica está presente en la imagen) o cero (es decir, la característica está ausente). Luego, calcule la fracción de imágenes en las que el valor de la característica es uno.

Por lo tanto, la probabilidad de que la característica esté presente en una imagen de la categoría L es 0,33; para estimaciones precisas, utilice al menos 30 imágenes por categoría. En un experimento típico, necesitaríamos conocer la estimación interna del sujeto de esta probabilidad. Observe cómo el uso de embriones digitales hace que esto sea especialmente sencillo.

Dado que tenemos control total sobre la exposición del sujeto a embriones digitales, podemos asegurarnos de que el valor calculado internamente por el sujeto sea coherente con nuestra estimación y no se vea influenciado por ninguna experiencia previa desconocida e incontrolada. De manera similar, calcule las probabilidades de ausencia y presencia de la imagen en las categorías K y L. Dados estos valores, puede realizarse una inferencia para identificar la etiqueta de categoría de esta nueva imagen. Primero, determine si la característica F está presente en la imagen utilizando las fórmulas anteriores establecidas para probabilidades no normalizadas y los valores recién calculados; luego, calcule las probabilidades de presencia en la imagen de las categorías K y L. Estos datos indican que la imagen pertenece a la categoría K. Aunque con una confianza relativamente baja, la morfogénesis virtual ofrece un suministro ilimitado de formas 3D novedosas.

Aquí, los embriones digitales se generan mediante la simulación de procesos clave de la embriogénesis biológica. Cada ejecución comienza con un icosaedro y genera un embrión único. En función de los ajustes del morfógeno, los embriones digitales pueden manipularse gráficamente para crear escenas visuales de complejidad arbitraria utilizando cualquier conjunto de herramientas gráficas estándar.

Por ejemplo, el mismo embrión digital puede tener texturas diferentes y estar iluminado según se desee. Además, se pueden crear escenas visuales de complejidad arbitraria, como esta escena con un embrión digital camuflado contra un fondo con textura similar, utilizando un entorno comercialmente disponible de modelado y renderizado 3D. El algoritmo de filoagenia virtual emula la evolución biológica.

El algoritmo virtual de filoanálisis emula la evolución biológica. Nuevos objetos y categorías de objetos surgen como variaciones heredables que se acumulan selectivamente, pero adquieren variaciones de forma propias a medida que se desarrollan. En este ejemplo particular, un único ancestro común, el icosaedro, produce tres generaciones de descendientes.

La complejidad de la forma aumenta desde el icosaedro hasta la generación G1 porque permitimos que el número de células aumente, pero la complejidad general de la forma permanece constante a partir de la generación G1. Este árbol genealógico es comparable en otros aspectos, pero utiliza objetos no embrionarios que fueron descargados de proveedores de objetos virtuales. Obsérvese que los objetos que comparten un ancestro común constituyen de manera directa una categoría.

Dado que no se permitieron divisiones celulares en ninguna generación, todas las variaciones de forma resultan únicamente del movimiento y/o crecimiento de las células individuales del objeto dado. En este escenario, la transformación crea variaciones suaves en la forma mediante interpolación entre los vértices correspondientes de los dos objetos designados: el de la extrema izquierda y el de la extrema derecha.

Los componentes principales del embrión también crean variaciones suaves en la forma. Este embrión representa el promedio aritmético de 400 embriones. En este caso particular, los dos primeros componentes principales representaron respectivamente el 73 % y el 19 % de la información de la forma.

Los embriones se obtuvieron al variar los valores propios ponderados. Estos embriones digitales pueden representarse como objetos 3D virtuales y luego imprimirse como objetos hápticos utilizando una impresora 3D o prototipador estándar disponible comercialmente, para estudiar la percepción visual como inferencia, en particular como inferencia bayesiana. Los embriones digitales son una herramienta invaluable para crear categorías novedosas con parámetros controlados, como a prioris y verosimilitudes.

Después de ver este video, debería tener una buena comprensión de cómo crear un conjunto de embriones digitales adecuado para su experimento particular. Se pueden crear fácilmente objetos individuales o categorías completas con diferentes grados de variabilidad y complejidad. Las imágenes resultantes pueden utilizarse en experimentos de reconocimiento de objetos, categorización, aprendizaje de categorías y muchos otros.