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 por la vista y/o el tacto. En primer lugar, la morfogénesis virtual o VM se utiliza para simular los procesos del desarrollo embrionario temprano y crear nuevos objetos 3D virtuales naturalistas llamados embriones digitales. A continuación, mediante el uso de la agenesia física virtual o VP, se crean categorías de objetos con propiedades estadísticas definidas con precisión en función del embrión digital de entrada.

Si se desea, el análisis de componentes principales se puede utilizar para crear variaciones de forma adicionales entre los objetos virtuales creados por morfogénesis virtual y agenesia física virtual. La probabilidad de que un objeto dado pertenezca a una categoría dada se puede calcular con precisión mediante la 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 crean variaciones de forma naturalistas pero medibles con precisión que surgen sin la necesidad de restricciones impuestas por el investigador. Ofrecen herramientas novedosas en los campos de la percepción visual y háptica, el aprendizaje perceptivo y la visión artificial, y tienen aplicaciones potenciales en la rehabilitación de muchos tipos de discapacidades visuales a través del entrenamiento visual háptico de metales cruzados.

Curiosamente, este método también se puede aplicar para estudiar los procesos de morfogénesis y evolución en sí mismos, y tuvimos la idea de este método por primera vez cuando buscábamos formas de generar estímulos visuales naturalistas, pero definibles con precisión para estudios y visión computacional. Inicialmente, las personas sabían que a través de este método podrían tener dificultades con sus aspectos intensivos en matemáticas y programación, por lo que esta demostración visual ilustrará cómo implementar y usar este método correctamente. En el taller de embriones digitales, especifique un conjunto de configuraciones o genotipo para generar un solo embrión para generar varios embriones.

Repita este proceso varias veces para generar formas más complejas por morfogénesis virtual. Aumente el número de ciclos de crecimiento para especificar el número de veces que las células del embrión se dividirán. El taller digital de embriones guarda automáticamente cada embrión como un archivo OBJ para que luego pueda usar el embrión con kits de herramientas comerciales de modelado 3D.

Genere los estímulos visuales configurando los diversos parámetros gráficos estándar, como la orientación, el tamaño, la iluminación, la textura de la superficie y el fondo, para generar categorías de objetos. Cree descendientes de un objeto antecesor de forma jerárquica. También puede variar suavemente la forma mediante la transformación mientras conserva la correspondencia uno a uno de los vértices entre los objetos.

Curiosamente, los objetos virtuales que no sean embriones digitales también se pueden utilizar como entradas para la agenesia física virtual. Seleccione objetos dentro de una categoría determinada para lograr una distribución determinada de entidades. Por ejemplo, si desea crear dos categorías que difieran en tamaño, elimine selectivamente los objetos de tamaño medio para generar una distribución bimodal de tamaños de objeto.

Ahora, medir objetivamente la similitud entre un par dado de categorías utilizando los métodos filogenéticos disponibles, como la correlación cofonética. Estos cálculos se pueden llevar a cabo utilizando kits de herramientas analíticas comúnmente disponibles, como MATLAB o R, para cualquier par de objetos dados, donde cada vértice de un objeto corresponde exactamente a un vértice del otro objeto, la transformación es sencilla. Seleccione los puntos de interpolación y utilice la transformación lineal entre los dos objetos para interpolar suavemente entre los vértices correspondientes.

En primer lugar, determine los componentes principales como descriptores específicos de un conjunto dado de objetos. Los componentes principales se pueden calcular utilizando el promedio de MATLAB o R, las coordenadas de cada vértice en todos los N objetos de entrada para generar un objeto promedio, multiplicar cualquier componente P por el valor de egen correspondiente lambda y un peso deseado wj, y agregar al objeto promedio para generar un nuevo objeto. Aj continúa 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 los componentes principales. Imprima objetos 3D con un prototipador 3D. Si es necesario, ajuste el tamaño del objeto y alise la superficie del objeto para optimizar la impresión.

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

Es decir, que solo hay dos categorías posibles y que nuestra tarea consiste en distinguir la categoría K de la categoría L, sea C la variable de categoría, C sea igual a K o C sea igual a L según que la imagen observada I pertenezca a la categoría K o L respectivamente. Suponiendo que hay exactamente una característica binaria F, calcule una probabilidad de que la categoría sea K dada la información de la imagen. Del mismo modo, para la probabilidad de que la categoría sea L, elija la categoría con la probabilidad más alta.

Por ejemplo, comience con esta característica de fragmento informativo y un valor de umbral de 0,69. La tarea consiste en determinar si esta característica está presente en una imagen determinada, como la imagen situada más a la derecha en la carretera G tres. En primer lugar, deslice la plantilla sobre todas las ubicaciones posibles del cálculo de la imagen en cada ubicación, el valor absoluto de la correlación cruzada normalizada entre la plantilla y la subimagen subyacente.

A continuación, seleccione la ubicación de la imagen con el valor más alto. Si este valor está por encima del umbral, concluya que la característica está presente, de lo contrario, concluya que está ausente. En el marco de la inferencia basada en características, suponemos que toda la información que el observador extrae de la imagen está contenida en el valor de esta característica.

Por lo tanto, la tarea se convierte en la de determinar el valor de F en la imagen dada calculando las probabilidades para ese valor F y seleccionando la categoría con la probabilidad más alta. Este es el marco bayesiano para juntar todas las probabilidades relevantes. Ten en cuenta que el denominador de las dos ecuaciones es el mismo, así que restringe la atención al numerador.

Supongamos un bemol a priori que es ambas categorías son a priori. Igualmente probable, la tarea consiste ahora en calcular la probabilidad de un valor de característica dado en una imagen de una categoría C dada.Por ejemplo, use las seis imágenes de la categoría L como ejemplos para calcular la probabilidad de que la característica esté presente en una imagen de categoría L.Primero, tome todas las imágenes de entrenamiento que pertenecen a L para cada imagen, Determine si el valor de la entidad es uno que es la entidad está presente en la imagen, o cero, es decir, que la entidad está ausente. A continuación, 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 categoría L es de 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. Fíjate en cómo el uso de embriones digitales hace que esto sea especialmente fácil.

Dado que tenemos un control total sobre la exposición del sujeto a embriones digitales, podemos estar seguros de que el valor calculado internamente por el sujeto es consistente con nuestra estimación y no está influenciado por ninguna experiencia previa incontrolada y desconocida. De manera similar, calcule las probabilidades de ausencia y presencia de la imagen en las categorías K y L. Dados estos valores, se puede realizar 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 determinadas para probabilidades anormales y los valores que se acaban de calcular, calcule las probabilidades de la presencia en la imagen de las categorías, K y L. Estos datos indican que la imagen es de la categoría K. Aunque con una confianza relativamente baja, la morfogénesis virtual ofrece un suministro ilimitado de nuevas formas 3D.

Aquí, los embriones digitales se generan simulando procesos clave de la embriogénesis biológica. Cada tirada comienza con un icosaedro y genera un embrión único. Sobre la base de la configuración de morfógenos, los embriones digitales se pueden manipular gráficamente para crear escenas visuales de complejidad arbitraria utilizando cualquier kit de herramientas gráficas estándar.

Por ejemplo, el mismo embrión digital puede tener una textura diferente e iluminarse como se desee. Además, se pueden crear escenas visuales de complejidad arbitraria, como esta escena con un embrión digital camuflado sobre un fondo de textura similar, utilizando un entorno de modelado y renderizado 3D disponible en el mercado. El algoritmo de agenesia física virtual emula la evolución biológica.

El algoritmo de agenesia física virtual emula la evolución biológica. Los nuevos objetos y categorías de objetos emergen como variaciones hereditarias que se acumulan selectivamente, pero acumulan variaciones de forma propias a medida que se desarrollan. En este ejemplo en particular, un único ancestro común, el icosaedro, produce tres generaciones de descendientes.

La complejidad de la forma aumenta desde el icosaedro hasta la generación G uno porque permitimos que aumente el número de células, pero la complejidad general de la forma permanece igual desde la generación G uno en adelante. Este árbol genealógico es comparable en otros aspectos, pero utiliza objetos no embrionarios que se descargaron de proveedores de objetos virtuales. Nótese que los objetos que comparten un ancestro común constituyen directamente 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 la interpolación entre los vértices correspondientes de los dos objetos designados. La extrema izquierda y la extrema derecha.

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

Los embriones se obtuvieron variando los valores de eigen ponderados. Estos embriones digitales pueden ser renderizados como objetos virtuales en 3D y luego impresos como objetos hápticos utilizando una impresora 3D estándar disponible en el mercado 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 priori y probabilidades.

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