Name: Création dobjets et catégories dobjets pour létude de la perception et de lapprentissage perceptif (Vidéo) | JoVE Journal
Uploaded: 2012-11-02T15:00:00.000+00:00
Duration: 14 min 38 s
Description: Découvrez la création d'objets 3D par morphogenèse virtuelle et phylogenèse pour étudier la perception visuelle et haptique. Cette méthode computationnelle génère des embryons numériques avec variations contrôlées.

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

Ce travail a été soutenu en partie par le Laboratoire de recherche de l&#39;armée américaine et l&#39;US Army Research Office subvention W911NF1110105 et NSF subvention IOS 1147097to Jay Hegde. Soutien a également été apporté par une subvention pilote de Jay Hegde de l&#39;Institut de la Vision Découverte de l&#39;Université Georgia sciences de la santé. Daniel Kersten a été financée par des subventions de l&#39;ONR N00014-05-1-0124 et NIH R01 EY015261 et en partie par WCU (World Class University) financé par le Ministère de l&#39;éducation, de la science et de la technologie par le biais de la Fondation Nationale de la Recherche de Corée (R31-10008 ). Karin Hauffen a été soutenu par le Programme d&#39;apprentissage en recherche de premier cycle (URAP) de l&#39;armée américaine.

1. Création naturalistes virtuels en 3-D à l'aide d'objets VM <ol><li> Pour créer des embryons numériques, utiliser l'atelier d'embryon numérique (DEW, voir le tableau 1). Chaque essai génère un seul embryon 14, dont la forme est unique pour un ensemble donné de paramètres (ou "génotype") utilisés pour l'exécution donnée (figure 1). Les «cellules» de l'embryon sont représentés par des triangles 14. <ol><li> Exécuter le programme autant de fois que nécessaire pour générer le nombre voulu d'embryons. </li><li> Si des formes plus complexes sont souhaitées, augmenter le nombre de cycles de croissance, c'est à dire le nombre de fois où les cellules de l'embryon se divisent. Notez que ce sera aussi ralentir le programme. S'il est nécessaire de créer des objets virtuels autres que les embryons numériques, utilisez les outils de modélisation disponibles dans le commerce en 3-D ou d'obtenir des objets virtuels auprès de fournisseurs commerciaux (tableau 1). </li></ol></li><li> Il est généralement conseillé d'enregistrer l'objet virtuels dans un format de fichier couramment utilisés, tels que OBJ, de sorte que les objets peuvent être facilement importées dans une boîte à outils de modélisation 3-D commerciale. À cette fin, le DEW écrit objets au format OBJ par défaut. </li><li> Les stimuli visuels peuvent être générés en utilisant un ou plusieurs embryons numériques en utilisant une modélisation 3-D et de l'environnement de rendu (tableau 1). Utilisez standards opérations graphiques tels que varier l'orientation, la taille, l'éclairage, texture, surface, et d'arrière-plan pour créer les stimuli désirés (voir la figure 2). </li></ol> 2. Création de catégories d'objets naturalistes utilisant VP <ol><li> Pour générer des catégories d'objets, de générer des descendants (ou «enfants») de l'ancêtre donné (ou 'parent') objet en utilisant une combinaison souhaitée des processus à l'étape 1.1 ci-dessus (figure 3) 9,10,12,13. <ol><li> Certaines des méthodes décrites ci-dessous pour créer des variations de forme lisses telles que le morphing ou composantes principales (voir les étapes 3 et 4 ci-dessous), travail better si tous les objets de départ ont le même nombre de cellules et s'il existe une correspondance biunivoque entre les sommets des objets. Pour la création de ces objets, utilisez uniquement les processus VM qui ne changent pas le nombre de cellules et de préserver la correspondance un-à-un des sommets parmi les objets (voir, par exemple, des générations G 2 G 3 à la figure 3). Par exemple, la division cellulaire et la mort cellulaire programmée modifier le nombre de cellules, et de le rendre beaucoup plus difficile (mais pas impossible 17,18) pour déterminer one-to-one correspondance entre les sommets d'une paire d'objets. Notez que les processus qui modifient le nombre de cellules dans un objet donné également modifier sa complexité forme. En général, plus le nombre de cellules, la plus grande complexité de la forme de l'objet et sa surface lisse. </li><li> Si nécessaire, aux objets virtuels autres que des embryons numériques peuvent être utilisées comme entrées pour VP (figure 4). </li></ol></li><li> Les objets à l'intérieur d'une catégorie donnée peut être en outre choisi de manière à obtenir une distribution donnée des fonctions 19. Par exemple, on peut éliminer sélectivement des objets de taille moyenne à partir d'une catégorie donnée afin de générer une distribution bimodale de la taille des objets. </li><li> Il n'existe pas de méthode unique qui est universellement optimal pour mesurer la forme des informations disponibles pour toutes les catégories, et il n'y a qu'une seule méthode qui soit optimale pour classer tous les objets 20-22. Ainsi, l'expérimentateur doit choisir ces méthodes basées sur les catégories et les objectifs de calcul à la main 20-22. Étape 4 décrit une méthode couramment utilisée pour la manipulation de divers aspects de l'information forme disponible. </li><li> La similitude entre une paire donnée de catégories peut être objectivement mesurée en utilisant des méthodes phylogénétiques disponibles 23,24. Par exemple, la verticale (ou «évolutif») distance entre une paire donnée de catégories, tel que mesuré par cl hiérarchiqueustering méthodes dans la boîte à outils de statistique R, est une mesure objective de 25,26 similitude catégorie. </li></ol> 3. Autres méthodes de création de variation de la forme: Digital Morphing <ol><li> Compte tenu de toute paire d'objets de sorte que chaque sommet d'un objet correspond à exactement un sommet de l'autre objet (. Par exemple des objets avec des one-to-one correspondance entre les sommets), morphing est 17,18,27-29 simple: Dans ce cas, les variations lisses (ou "morphes ') entre les deux objets sont produites par interpolation en douceur entre les sommets correspondants et les normales (figure 5). En fonction de la paire d'objets choisis, morphing se traduira par de nouvelles catégories ou des enfants supplémentaires dans une catégorie. <ol><li> Les objets présentés dans la figure 5 ont été créés en utilisant linéaire 27-29 morphing. Les objets peuvent être transformés (ou déformés) par une vaste gamme d'autres techniques de déformation disponibles 17,18. </li></ol></li><li> Pour créer une répartition souhaitée des formes morphed, choisissez les points d'interpolation en conséquence. </li></ol> 4. Autres méthodes de création de variation de la forme: Composants principaux <ol><li> Pour utiliser les composants principaux de générer des variations de forme, il faut d'abord déterminer les principales composantes 15. Principaux composants sont spécifiques à un ensemble donné d'objets utilisés pour déterminer les 26. Pour de bons résultats, utiliser au moins 30 objets avec one-to-one correspondance entre les sommets 26. </li><li> Générer un objet en moyenne à partir d'un ensemble d'objets d'entrée souhaitée n, par calcul de la moyenne des coordonnées séparément et la normale de chaque sommet dans tous les objets. Ainsi, la coordonnée x d'un k donné sommet de égal à la moyenne des coordonnées X de k sommets de tous les n objets, et ainsi de suite. </li><li> Utilisez la fonction Matlab princompà déterminer les composantes principales de n objets. Cela va générer n-1 vecteurs propres non nulles, avec le N-1 valeurs propres 26. </li><li> Pour générer un nouvel objet A j partir d'un composant principal donné P i, P i multiplier par la valeur propre λ i correspondant désiré et un poids w j et ajouter à l'objet en moyenne: A j = j + w λ i P i </li><li> Pièce unique w j va générer un objet unique. En modulant légèrement w, on peut créer des variations de forme lisse le long d'une composante principale donnée. </li><li> Pour créer variations de forme le long d'une dimension de forme indépendante, répétez l'étape 4.4 utilisant un composant principal différent. </li><li> Pour créer une répartition souhaitée des formes le long d'une composante principale donnée, utilisez la distribution désirée de w. &lt;/ Li&gt; </li><li> Pour créer une grille multidimensionnelle des formes, utilisez un ensemble de poids pour chacune des composantes principales de plusieurs: <img alt="Équation 2" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" data-altupdatedat="1787634011000" data-alt="Équation 2"></li></ol> 5. Création de versions de Haptic objets 3-D <ol><li> 3-D 'Print-out' objets à l'aide d'un prototypeur 3-D (ou 3-D «imprimante»). Si nécessaire, ajuster la taille de l'objet et lisser la surface de l'objet avant de l'imprimer. </li></ol> 6. Une application Exemplar: Inférence bayésienne de la catégorie image <ol><li> Une tâche importante dans le traitement visuel est inférer la catégorie à laquelle un objet donné appartient observée. Bien que le mécanisme exact de cette déduction est inconnue, il ya des preuves de calcul et physiologiques 9,12,13,30-32 qu'elle implique l'utilisation de l'information sur les caractéristiques connues de l'objet dans l'image ci de déduire la catégorie de l'objet. Ici, nous allons Illustrate comment ce processus d'inférence peuvent travailler dans un cadre bayésien, et comment numérique embryons peuvent être utiles pour la recherche dans ce domaine. </li><li> Par souci de simplicité, nous supposons que la tâche de catégorisation est binaire et implique catégorie K distinctif de la catégorie L (figure 3). Soit C la variable catégorie. Nous allons supposer que K = C ou C = L, selon que l'image observée appartient à la catégorie I ou K L. Une approche typique de catégorisation implique: <ol><li> Le calcul de la probabilité que la catégorie n'est donnée K l'information contenue dans l'image, notée p (C = K | I); </li><li> Le calcul de la probabilité que la catégorie est la L compte tenu des informations dans l'image, notée p (C = L | I), et </li><li> Cueillette de la catégorie avec la plus grande probabilité. </li></ol></li><li> Ensuite, nous supposons pour simplifierqu'il ya exactement une fonction F binaire. Cette fonction peut être soit présent dans l'image (notée F = 1) ou absent de l'image (notée F = 0). Cet exemple utilise le 'fragment informative »caractéristique de la figure 8. Fragments d'information ont d'abord été décrit par Ullman et ses collègues 33. Dans le cas présent, nous allons utiliser le modèle d'image de la figure 8 que la fonction, et une valeur seuil de 0,69. Pour déterminer si cette caractéristique est présente dans une image donnée (par exemple, l'image la plus à droite dans la rangée G3 de la figure 3), nous allons utiliser les étapes suivantes: <ol><li> Glisser sur ce modèle de tous les emplacements possibles de l'image et calculer, à chaque emplacement, la valeur absolue de la corrélation croisée normalisée entre le modèle et le sous-jacent sous-image. </li><li> Sélectionnez l'emplacement de l'image avec la valeur la plus élevée (0,60 dans le cas présent). </li><li> Si cette valeur est supérieure au seuil, de conclureque la fonction est présente, sinon conclure qu'il est absent. Dans notre cas, puisque la corrélation la plus élevée 0,60 est en dessous du seuil de 0,69, nous pouvons conclure que la fonction est absente dans cette image. </li><li> La justification de l'utilisation de telles caractéristiques, et les mécanismes de sélection de fonctions et de déterminer les seuils sont au-delà de la portée de ce rapport, mais sont décrits en détail dans les références. 33, 30. </li></ol></li><li> Dans le cadre de la fonction de l'inférence basée, nous supposons que toutes les informations les extraits observateurs de l'image est contenue dans la valeur de cette fonction, i. e, que p (C | I). = p (C | F). Par conséquent, la tâche devient celui de la détermination de la valeur de F dans l'image donnée (présent ou absent), calculer p (C = K | F) et p (C = L | F) pour que la valeur F, et en sélectionnant la catégorie d' le plus probalité. </li><li> Dans le cadre bayésien, </li></ol><img alt="Équation 3" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" data-altupdatedat="1787634011000" data-alt="L'équation 3"> Par conséquent, <img alt="Équation 4" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" data-altupdatedat="1787634011000" data-alt="équation 4"> et <img alt="Équation 5" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" data-altupdatedat="1787634011000" data-alt="L'équation 5"> Noter que le dénominateur dans les deux équations sont les mêmes. Par conséquent, pour comparer p (C = K | F) et p (C = L | F), il n'est pas nécessaire de calculer le dénominateur, mais plutôt, il suffit de calculer les quantités p (C = K | F) α p (C = K) p (F | C = K) et p (C = L | F) α p (C = L) p (F | C = L) These sont parfois appelés «probabilités non normalisées. Le terme p (C) est appelé «préalable», et le terme p (F | C) est appelée «probabilité». <ol start="6"><li> Par souci de simplicité, nous supposerons une 'plate' avant: p (C = K) = p (C = L) = 0,5. </li><li> La tâche est maintenant de calculer p (F | C), la probabilité d'une valeur caractéristique donnée dans une image d'une catégorie C donné. <ol><li> Nous allons utiliser les six images de la catégorie L (figure 3) comme un exemple pour calculer p (F = 1 | C = L), la probabilité que la fonctionnalité est présente dans une image de la catégorie L. </li><li> Pour calculer p (F = 1 | C = L), d'une part, faire toutes les images d'apprentissage appartenant à L. Encore une fois, ceux-ci sont présentés dans la figure 3. </li><li> Pour chaque image, de déterminer si la valeur caractéristique est 1 (présent) Ou 0 (absence), tel que décrit dans (6.3.1) - (6.3.3). Dans notre cas, pour les six images de la figure 3, les valeurs sont: [0, 0, 1, 0, 1, 0]. </li><li> Calculer la fraction d'images dans lequel la valeur caractéristique est 1. Dans notre cas, il est 2/6 = 0,33. </li><li> Par conséquent, p (F = 1 | C = L) = 0,33. Notez que pour obtenir des estimations précises, il faut utiliser au moins 30 images par classe. </li><li> De la même manière, on peut calculer que 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> Compte tenu de ces valeurs, l'inférence peut être effectuée. Supposons que l'on nous donne une nouvelle image (figure 9), et la tâche est de déterminer le libellé catégorie. Ceci est effectué comme suit: <ol><li> On détermine si la fonction F est présente dans l'image, tel que décrit dans (6.3.1) - (6.3.3). Dans notre cas, la feature est présent, alors F = 1. </li><li> En utilisant les équations (1) et (2), et les valeurs calculées dans (6.7.5) - (6.7.6), on peut calculer que p (C = K | F = 1) = 0,42 et p (C = L | F = 1) = 0,17. </li><li> Compte tenu de ces informations, il est rationnel de conclure que l'image est de la catégorie K, avec une confiance relativement faible. </li></ol></li><li> Il pourrait être intéressant et utile pour tester une telle approche dans un système biologique (par exemple, psychophysique). Dans ce cas, les prédictions comportementales pourraient être réalisés et comparés aux résultats des calculs tels que ceux obtenus dans (6.8.2). Pour faire des prédictions précises, de bonnes estimations de p (F | C) sont nécessaires. Ces estimations, cependant, peut être difficile à obtenir pour les objets familiers. La raison en est que le sujet estimation de p (F | C) n'est pas observable directement, et il est extrêmement difficile de le calculer car le sujetExposition préalable de l 'à des images naturelles est incontrôlable et inconnus. En revanche, si des embryons numériques sont utilisés pour les expériences, il est possible de contrôler précisément les embryons et les catégories d'embryon le sujet est exposé. Il est donc facile de calculer les quantités d'intérêt à partir exactement les mêmes données le sujet a été exposé. Le fait que l'apparence embryons »est naturaliste est utile, car elle permet de penser que le sujet utilise la stratégie de catégorisation comme des catégories naturelles. </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>

Aucun conflit d&#39;intérêt déclaré.

Utilité des VM et VP de la recherche en sciences cognitives Nous avons déjà décrit l&#39;utilité de VM et VP en détail l9 ,10,12-14. En bref, VM, en particulier la méthodologie embryon numérique, est utile car elle fournit une méthode fondée sur des principes et flexible pour la création de roman, mais naturalistes objets 3-D 14. De même, VP fournit une méthode fondée sur des principes de créer des catégories naturalistes 9,10,12,13. Il est à noter que les catégories d&#39;objets générés par VP partagent des caractéristiques avec de nombreuses catégories d&#39;objets dans la nature, y compris le fait que les catégories ont tendance à être de nature hiérarchique, et les variations de caractéristiques à l&#39;intérieur et entre les catégories de survenir indépendamment de l&#39;expérimentateur et les algorithmes de classification les 39. Limitations actuelles et orientations futures Trois limites actuelles de notre protocole et les orientations pour les travaux futurs, ils suggèrentsont particulièrement remarquables: d&#39;abord, à la fois VM et VP simuler des processus biologiques. Bien que nous montrent que les non-biologiques des objets virtuels peuvent être utilisés comme substrats pour ces processus, les processus sous-jacents sont encore biologiquement motivé. Cependant, les objets naturels - biologiques et non biologiques semblables - subissent des changements de forme en raison de non-biologiques forces. Par exemple, les roches peuvent changer de forme en raison de processus géologiques tels que l&#39;érosion ou de la sédimentation. De nouvelles catégories de roche peut résulter de ces autres processus géologiques. Il devrait être relativement simple d&#39;intégrer ces processus dans le répertoire des algorithmes disponibles changer de forme. La deuxième limitation majeure de notre protocole est que son répertoire actuel de changements de forme dynamique est plutôt limitée. Il est souhaitable d&#39;incorporer un plus grand éventail de changements de forme, telles que le mouvement biologique, ou le mouvement dû à des forces extérieures telles que le vent, l&#39;eau ou la gravité. Nous nous attendons à ce qu&#39;il will être relativement simple à mettre à profit les algorithmes connus d&#39;animation par ordinateur pour mettre en œuvre ces changements de forme dynamiques. La troisième limite importante de notre protocole est que VM ne prend actuellement pas inclure de nombreux autres processus morphogénétiques connus, y compris, notamment, la gastrulation 36. Elle omet également d&#39;intégrer des contraintes connues, telles que le fait que la morphogénèse des plantes est médiée entièrement par la croissance, avec le mouvement des cellules peu ou pas possible, car des 36 parois cellulaires. De la même manière, vice-président ne comprend pas les autres processus phylogénétiques connus tels que la dérive génétique 40. S&#39;attaquer à ces limitations aiderait grandement faciliter l&#39;utilisation de notre protocole en développement, les simulations écologiques et évolutifs.

<table border="1"><tbody><tr><td> Nom de la boîte à outils / équipement </td><td> Société / Auteur </td><td> Catalogue # </td><td> Commentaires </td></tr><tr><td> Atelier d&#39;embryon numérique (DEW) </td><td> Mark Brady et Dan Gu </td><td></td><td> Cette conviviale, par menus outil peut être téléchargé gratuitement en téléchargement 1 de <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> . Actuellement disponible uniquement pour Windows. </td></tr><tr><td> Des outils numériques d&#39;embryons pour Cygwin </td><td> Jay Hegde et Karin Hauffen </td><td></td><td> Il s&#39;agit d&#39;un ensemble mouvant de pas-si-programmes conviviaux. Ils sont conçus pour être exécuté à partir de l&#39;interface de ligne de commande de l&#39;émulateur Cygwin Linux pour Windows. Ces programmes peuvent être téléchargés sous forme de téléchargement 2 de <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos. L&#39;interface Cygwin lui-même peut être téléchargé gratuitement à partir <a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> . </td></tr><tr><td> Autodesk 3ds Max, Montréal, Québec, Canada </td><td> Autodesk Media and Entertainment </td><td> 3DS Max </td><td> Il s&#39;agit d&#39;une modélisation 3-D, l&#39;animation et outils de rendu avec une architecture de plugins flexible et un langage de script intégré. Disponible pour la plupart des systèmes d&#39;exploitation actuels. </td></tr><tr><td> MATLAB </td><td> Mathworks Inc, Natick, MA, USA </td><td> MATLAB </td><td> Il s&#39;agit d&#39;un environnement de calcul numérique et la langue de programmation utiles avec de nombreux add-on fonctionnalités. Disponible pour la plupart des systèmes d&#39;exploitation actuels. </td></tr><tr><td> R statistique boîte à outils </td><td> R Projet pour le calcul statistique </td><td> R </td><td> Peut être téléchargé gratuitement à partir de charge <a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /. Disponible pour la plupart des systèmes d&#39;exploitation actuels. </td></tr><tr><td> OpenGL </td><td> Khronos Group </td><td> OpenGL </td><td> Cette inter-langues, multi-plateforme toolkit graphique peut être téléchargé gratuitement à partir <a href="http://www.opengl.org" target="_blank">www.opengl.org</a> . </td></tr><tr><td> V-Flash Imprimante personnelle </td><td> 3D Systems Inc, Rock Hill, Caroline du Sud, États-Unis </td><td> V-Flash </td><td> Ceci est une bonne valeur pour toutes les applications d&#39;impression 3-D décrites dans le présent rapport. Les documents imprimés sont également vendus dans 3D Systems, Inc modèles moins chers sont disponibles sous forme open source de RepRap (rapmanusa.com) et MakerGear. Modèles les plus chers (&gt; 30 $ K) sont disponibles à partir de Objet Geometries, 3DS, Z-Systems Corp, impression, etc Dimension </td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquid Inc, New York, Los Angeles </td><td> (Objets divers) </td><td> Diverses virtuels objets 3-D peut être téléchargé à partir de ce site gratuitement ou moyennant des frais. </td></tr><tr><td></td><td></td><td></td><td> Tableau 1. Tableau de boîtes à outils et équipements spécifiques. </td></tr></tbody></table>

création d&#39;objets et catégories d&#39;objets pour l&#39;étude de la perception et de l&#39;apprentissage perceptif

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Afin d&#39;étudier quantitativement la perception des objets, qu&#39;il s&#39;agisse de la perception par les systèmes biologiques ou par des machines, il est nécessaire de créer des objets et des catégories d&#39;objets avec précision définissable, de préférence naturaliste, les propriétés 1. En outre, des études sur l&#39;apprentissage perceptif, il est utile de créer de nouveaux objets et catégories d&#39;objets (ou classes d&#39;objets) avec de telles propriétés 2. Beaucoup de méthodes novatrices et utiles existent actuellement pour créer de nouveaux objets et catégories d&#39;objets 3-6 (voir aussi refs. 7,8). Cependant, en général, les méthodes existantes trois grands types de défauts. Tout d&#39;abord, les variations de forme sont généralement imposées par l&#39;expérimentateur 5,9,10, et peut donc être différente de la variabilité des catégories naturelles, et optimisé pour un algorithme de reconnaissance particulière. Il serait souhaitable que les variations surviennent indépendamment de l&#39;externally imposé des contraintes. Deuxièmement, les méthodes existantes ont du mal à saisir la complexité forme des objets naturels 11-13. Si l&#39;objectif est d&#39;étudier la perception des objets naturels, il est souhaitable que les objets et les catégories d&#39;objets à être naturaliste, afin d&#39;éviter les possibles facteurs de confusion et de cas particuliers. Troisièmement, il est généralement difficile de mesurer quantitativement l&#39;information disponible dans les stimuli créés par des méthodes conventionnelles. Il serait souhaitable de créer des objets et des catégories d&#39;objets où l&#39;information disponible peut être mesuré avec précision et, le cas échéant, systématiquement manipulé (ou «accordé»). Cela permet de formuler les tâches de reconnaissance d&#39;objets sous-jacents en termes quantitatifs. Nous décrivons ici un ensemble d&#39;algorithmes ou méthodes qui correspondent aux trois critères ci-dessus. Morphogenèse virtuelle (VM) crée de nouveaux naturalistes, des objets virtuels en 3-D appelés «embryons numériques» parsimulant le processus biologique de l&#39;embryogenèse 14. Virtual phylogenèse (VP) crée de nouvelles catégories d&#39;objets naturalistes, en simulant le processus évolutif de la sélection naturelle 9,12,13. Les objets et les catégories d&#39;objets créés par ces simulations peut être manipulé par diverses méthodes de morphing de générer des variations systématiques des caractéristiques de forme 15,16. Le vice-président et morphing méthodes peuvent également être appliquées, en principe, à de nouveaux objets virtuels autres que les embryons numériques, ou des versions virtuelles de objets du monde réel 9,13. Les objets virtuels créés de cette manière peuvent être rendus sous forme d&#39;images visuelles à l&#39;aide d&#39;une boîte à outils graphique classique, avec des manipulations souhaitées de texture de la surface, l&#39;éclairage, la taille, points de vue et de fond. Les objets virtuels peuvent également être «imprimé» comme des objets tactiles en utilisant un classique 3-D prototypeur. Nous décrivons également certaines implémentations de ces algorithmes de calcul pour aider illustrer l&#39;utilité potentielle des algorithmes. Il est important de distinguer les algorithmes de leurs implémentations. Les implémentations sont des démonstrations offertes uniquement comme une «preuve de principe» des algorithmes sous-jacents. Il est important de noter que, en général, une implémentation d&#39;un algorithme de calcul ont souvent des limites que l&#39;algorithme lui-même ne possède pas. Ensemble, ces méthodes représentent un ensemble d&#39;outils puissants et flexibles pour l&#39;étude de la reconnaissance d&#39;objets et de l&#39;apprentissage perceptif par les systèmes biologiques et informatiques ressemblent. Avec les extensions appropriées, ces méthodes peuvent également s&#39;avérer utiles dans l&#39;étude de la morphogenèse et la phylogenèse.

VM peut être utilisé pour générer une offre quasi illimitée de formes nouvelles 3-D. Certains embryons exemplaires numériques générées en utilisant l'algorithme VM sont indiqués dans la partie inférieure de la figure 1. Chacun de ces 16 embryons ont été générés en utilisant le programme «growEmbryos.exe» dans les outils d'embryons numériques pour Cygwin (voir le tableau 1) pour une croissance de 40 cycles. Tous les autres paramètres de croissance ont été définies en interne par le programme. La plupart de ces paramètres sont constants (c.-à-identiques d'un embryon à l'autre). Quelques paramètres tels que l'emplacement et la force des sources morphogènes, étaient des paramètres aléatoires définies en interne par le programme de manière indépendante pour chaque essai. Les variations de forme entre ces 16 embryons se pose uniquement en raison des variations de ces paramètres aléatoires. Quelques exemples de texturation de surface 34,35 utilisant des textures choisies arbitrairement sont présentés dans la figure 2A. Scènes visuelles d'uncomplexité rbitrary peuvent être créés en utilisant un commerce modélisation 3-D et de l'environnement de rendu, comme le montre la figure 2B. «Arbre généalogique» Un représentant généré par VP à partir d'embryons numériques est illustré à la figure 3. Arbres comparables peuvent également être construits en utilisant des objets autres que des embryons numériques, comme le montre la figure 4. Notez que dans les deux cas, les objets qui partagent un ancêtre commun carrément constituent une catégorie, bien que l'expérimentateur peut également choisir de définir une catégorie comme n'importe quel autre ensemble d'objets. Il est à noter sur la figure 4 que notre implémentation actuelle de la machine virtuelle et les algorithmes VP tend à produire relativement lisses, surfaces courbes, par opposition aux objets dentelés ou appartement. Il est également intéressant de noter que ceci est sans doute la limitation de notre mise en œuvre de ces algorithmes et les algorithmes eux-mêmes ne sont pas, car les processus biolological peut produire objectifsts avec des surfaces planes et les contours irréguliers (p. ex., rose feuille). Les figures 5 et 6 illustrent les résultats typiques de deux méthodes qui peuvent être utilisés en plus ou à la place de vice-président, pour créer des variations de principe à la forme des objets et catégories d'objets. Le panneau supérieur de la figure 7 illustre les rendus visuels de deux embryons numériques, et le panneau inférieur de la figure 7 illustre les impressions correspondantes générées par un commerce en 3-D prototypeur. Les figures 8 et 9 illustrent les procédures décrites à la section 6 pour l'utilisation de fragments d'image de classer un objet donné visuelle. <img alt="Figure 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="Figure 1"> Figure 1. Morphogenèse virtuelle. 14. Embryons numériques peuvent être générés en simulant une ou plusieurs de quelques-uns des principaux processus de l'embryogenèse biologique: la division cellulaire médiée par morphogène, la croissance cellulaire, le mouvement cellulaire et la mort cellulaire programmée 7,8,36,37. Chaque cycle commence par un icosaèdre (indiqué dans le panneau du haut), et génère un embryon unique, en fonction des paramètres VM (ou le «génotype») de cet embryon. Ainsi, les 16 embryons dans le panneau du bas ont des formes différentes, car ils ont tous génotypes différents. Notez que plus simples ou plus complexes formes peuvent être générés en fonction des besoins (par exemple, pour stimuler les neurones de façon optimale à un niveau donné de la hiérarchie visuelle) en manipulant le génotype de l'embryon. Tous les procédés mentionnés ci-dessus, sauf embryogénétique mort cellulaire programmée ont été simulées dans la production des embryons montré. Simulation de la mort cellulaire programmée est particulièrementutile pour créer des indentations ciblés (non représenté). <img alt="Figure 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="Figure 2"> Figure 2. Création de stimuli visuels numériques utilisant des embryons. Comme tout objet virtuel en 3-D, les embryons numériques peuvent être manipulées pour créer graphiquement des scènes visuelles d'une complexité arbitraire en utilisant une norme 3-D toolkit graphique. Cette figure illustre quelques manipulations courantes. (A) Le même embryon numérique est texturé avec de nombreuses textures différentes, et éclairé par une source de lumière invisible en haut à gauche. (B) Une scène camouflé est créé par le redimensionnement et la réorientation de l'embryon numérique et numériquement le plaçant dans le contexte où il se trouvait texturé avec. L'embryon numérique peut être trouvé dans «la vue» dans le quadrant inférieur droit. Pour d'autres exemples de stimuli visuels créationés utilisant des embryons numériques, voir refs. 9,10,12-14,38. <img alt="Figure 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="Figure 3"> Figure 3. Création de catégories d'embryons numériques à l'aide VP. L'algorithme VP émule l'évolution biologique, en ce que dans les deux cas, les objets et les catégories de nouveaux objets apparaissent comme des variations héréditaires s'accumulent de manière sélective. A chaque génération G i, les embryons sélectionnés procréer, ce qui conduit à la génération G i +1. Les descendants héritent des caractéristiques de forme de leurs parents, mais reviennent variations de forme de leur propre chef (tel que déterminé par de petites variations dans leur génotype) dans leur développement. Cette figure montre un «arbre généalogique» de trois générations de descendants à partir d'un seul ancêtre commun, un icosaèdre. Notez que, dans ce cas, la complexité augmente forme à partir de l'icosaèdre à génératG 1 d'ions, mais pas à partir de G 1 ultérieur. C'est parce augmentation du nombre de cellules (par exemple., La division cellulaire) a été autorisé à partir de l'icosaèdre à la génération G 1, mais pas à partir de G 1 en avant. En général, la division cellulaire tend à augmenter la complexité de forme, tandis que d'autres processus morphogénétiques tels que le mouvement des cellules et la forme de changement de cellule sans modifier la croissance de la complexité globale de la forme. <img alt="Figure 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="Figure 4"> Figure 4. VP en utilisant des objets virtuels autres que les embryons numériques. Ce chiffre permet d'illustrer le principe général que les objets virtuels autres que les embryons numériques peuvent être utilisées comme entrée à VP. L'algorithme de vice-président dans sa forme actuelle peut fonctionner sur n'importe quel objet virtuel en 3-D dont la surface se compose uniquement de triangles. Génération G 1 comprised (de gauche à droite) une gourde, diamant, masque, pomme, rock, et de cactus. Notez que les objets de génération G 1 dans cette figure n'ont pas un ancêtre commun, parce que vice-président ne l'exige pas. Objets en G 2 et G 3 représentent les descendants de la roche en G 1. Pas de divisions cellulaires ont été autorisés dans toutes les générations, de sorte que toutes les variations de forme résulte uniquement du mouvement et / ou de la croissance de l'individu «cellules» de l'objet donné. <img alt="Figure 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="Figure 5"> Figure 5. En utilisant le morphing pour créer des variations lisses en forme. Morphing consiste à prendre deux objets donnés (à l'extrême gauche et l'extrême droite embryon dans ce chiffre) et en calculant les objets intermédiaires (intervenant embryons) par interpolation entre les sommets correspondants de l'désigner deuxobjets d. Dans le cas représenté, tous les sommets ont été interpolées en utilisant le facteur scalaire même, résultant en un morphing linéaire. Cependant, il est également possible de transformer les objets non-linéaire (non représentée). Morphing est mathématiquement simple quand il ya une exacte one-to-one correspondance entre les sommets de deux objets, comme dans le cas représenté. Toutefois, il est possible, en principe, de se transformer entre deux objets virtuels donnés indépendamment du fait de leurs sommets correspondent pas exactement, bien qu'il n'y ait pas de méthode unique de principe pour le faire 17,18. <img alt="Figure 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="Figure 6"> Figure 6. Utilisation des composants principaux pour créer des variations lisses en forme. (A) embryon moyenne. Cet embryon représente la moyenne arithmétique des 400 embryons (200 chacune des catégories K et L dansFigure 3). Principales composantes ont été calculés comme décrit à l'étape 4.3. Notez que les composants principaux représentent mutuellement indépendants, les dimensions de forme abstraites des 400 embryons (non représentée) 25,26. 399 400 embryons donnent composantes non nulles principaux 25,26, qui, ensemble, représentent la totalité de la variance, ou l'information de forme, disponible collectivement dans les embryons. Par convention, les principaux composants sont disposés dans l'ordre décroissant de leurs valeurs propres, ou la proportion de la variance totale ils expliquent 25,26. Dans ce cas, les deux premières composantes principales ont représenté respectivement 73% et 19% de l'information de forme disponible dans les 400 embryons. (B) Les embryons qui représentent des poids différents (ou plus précisément, les valeurs propres pondérés) des composantes principales 1. Les poids varient de +2 (extrême gauche) à -2 (extrême droite) par tranches égales de -0,2. (C) Les embryons qui représentent différents poids des Composants principauxent 2. Les poids varient également, de +2 (extrême gauche) à -2 (extrême droite) par tranches égales de -0,2. Notez que la manipulation des composants principaux n'est pas exclusivement manipuler n'importe quelle partie du corps, spécifique de l'embryon (p. ex., Les ailes de l'embryon dans le cas représenté). Cependant, si nécessaire, les parties du corps de virtuel en 3-D des objets peuvent être manipulés de quelque façon arbitraire défini par l'utilisateur en utilisant la plupart des 3-D disponibles dans le commerce environnements de modélisation (non représentée). <img alt="Figure 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="Figure 7"> Figure 7. Création d'objets haptiques. Virtual objets 3-D peut être «imprimé» comme des objets tactiles en utilisant un standard, disponible dans le commerce en 3-D 'imprimante' ou prototyper. Cette figure montre embryons numériques rendus comme des objets visuels (rangée du haut) ou que les objets correspondants haptiques (rangée du bas). Les objets tactiles shown dans cette figure ont été imprimés à environ 6 cm de large (échelle = 1 cm), bien que les objets peuvent être imprimés à des tailles beaucoup plus petites ou plus grandes. <img alt="Figure 8" src="/files/ftp_upload/3358/3358fig8.jpg" data-altupdatedat="1787634011000" data-alt="Figure 8"> Figure 8. Un modèle pour un fragment d'exemple instructif. Dans cet exemple, le modèle a un seuil de 0,69 qui lui est associé. <img alt="Figure 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="Figure 9"> Figure 9. Une nouvelle image pour lesquels la catégorie d'objet n'est pas connue et doit être déterminée.

Nous décrivons une nouvelle méthodologie pour la création de naturalistes objets 3-D et des catégories d&#39;objets avec des variations de caractéristiques bien définies. Nous utilisons des simulations de processus biologiques de la morphogenèse et la phylogenèse pour créer de nouveaux objets virtuels, naturalistes 3-D et des catégories d&#39;objets qui peuvent ensuite être rendus sous forme d&#39;images visuelles ou des objets haptiques.

Création d&#39;objets et catégories d&#39;objets pour l&#39;étude de la perception et de l&#39;apprentissage perceptif

Afin d'étudier quantitativement la perception des objets, qu'il s'agisse de la perception par des systèmes biologiques ou par des machines, il est nécessaire de créer des objets et des...

Cette procédure vise à créer des objets et des catégories d'objets permettant d'étudier la manière dont nous percevons les objets et apprenons à les percevoir par la vue ou le toucher. Premièrement, la morphogenèse virtuelle, ou VM, est utilisée pour simuler les processus du développement embryonnaire précoce et créer de nouveaux objets 3D virtuels au caractère naturel, appelés embryons numériques. Ensuite, à l’aide de la phylogenèse virtuelle, ou VP, des catégories d’objets sont générées avec des propriétés statistiques précisément définies à partir de l’embryon numérique d’entrée.Si désiré, une analyse en composantes principales peut être utilisée pour créer des variations de forme supplémentaires parmi les objets virtuels générés par la morphogenèse virtuelle et la phylogenèse virtuelle. La probabilité qu'un objet donné appartienne à une catégorie donnée peut être calculée avec précision à l'aide d'une inférence bayésienne fondée sur des caractéristiques. Si nécessaire, des impressions haptiques des objets virtuels obtenus peuvent être générées à l'aide d'une imprimante 3D.Chacune de ces méthodes sera illustrée plus en détail ultérieurement par rapport aux méthodes existantes. Ces nouvelles approches génèrent des variations de forme réalistes mais précisément mesurables, apparaissant sans nécessiter de contraintes imposées par l'expérimentateur. Elles offrent des outils innovants dans les domaines de la perception visuelle et haptique, de l'apprentissage perceptuel et de la vision artificielle, et présentent des applications potentielles dans la rééducation de nombreux types de troubles visuels grâce à un entraînement croisé visuo-haptique.De manière intéressante, cette méthode peut également être appliquée à l'étude des processus de morphogenèse et d'évolution eux-mêmes, et nous avons eu pour la première fois l'idée de cette méthode en cherchant des moyens de générer des stimuli visuels réalistes mais précisément définissables pour des études en vision computationnelle. Initialement, les personnes confrontées à cette méthode pourraient éprouver des difficultés avec ses aspects intensifs en mathématiques et en programmation, aussi cette démonstration visuelle illustrera-t-elle comment mettre en œuvre et utiliser correctement cette méthode. Dans l'atelier de l'embryon numérique, spécifiez un ensemble de paramètres ou de génotype afin de générer un embryon unique ou plusieurs embryons.Répétez ce processus plusieurs fois pour générer des formes plus complexes par morphogenèse virtuelle. Augmentez le nombre de cycles de croissance afin de préciser combien de fois les cellules de l'embryon se diviseront. L'atelier d'embryons numériques enregistre automatiquement chaque embryon sous forme de fichier OBJ, ce qui vous permet de l'utiliser ultérieurement avec des outils de modélisation 3D commerciaux.Générez les stimuli visuels en réglant divers paramètres graphiques standards tels que l'orientation, la taille, l'éclairage, la texture de surface et l'arrière-plan afin de produire des catégories d'objets. Créez des objets descendants à partir d'un objet ancêtre de manière hiérarchique. Vous pouvez également faire varier en douceur la forme à l'aide d'un morphing tout en préservant la correspondance biunivoque des sommets entre les objets.De manière intéressante, des objets virtuels autres que les embryons numériques peuvent également être utilisés comme entrées pour la phylogenèse virtuelle. Sélectionnez des objets au sein d'une catégorie donnée afin d'obtenir une distribution spécifique de caractéristiques. Par exemple, si vous souhaitez créer deux catégories différant par la taille, éliminez sélectivement les objets de taille intermédiaire pour générer une distribution bimodale des tailles d'objets.Maintenant, mesurer objectivement la similarité entre une paire donnée de catégories à l’aide de méthodes phylogénétiques disponibles, telles que la corrélation cofonétique. Ces calculs peuvent être réalisés à l’aide de boîtes à outils analytiques couramment disponibles, comme MATLAB ou R, pour toute paire donnée d’objets où chaque sommet de l’un correspond exactement à un sommet de l’autre. L’interpolation morphique est alors simple. Sélectionner les points d’interpolation et utiliser un morphage linéaire entre les deux objets afin d’interpoler régulièrement entre les sommets correspondants.Tout d'abord, déterminez les composantes principales comme descripteurs spécifiques d'un ensemble donné d'objets. Les composantes principales peuvent être calculées à l'aide de MATLAB ou de R en faisant la moyenne, pour chaque sommet, des coordonnées sur l'ensemble des N objets d'entrée afin de générer un objet moyen, puis en multipliant chaque composante P par la valeur propre correspondante lambda et un poids souhaité wj, et en ajoutant le résultat à l'objet moyen pour générer un nouvel objet. Continuez ensuite à faire varier en douceur wj afin de créer des variations de forme progressives le long d'une composante principale donnée.Pour créer une grille multidimensionnelle de formes, utilisez un ensemble de poids pour chacune des plusieurs composantes principales. Imprimez des objets en 3D à l'aide d'un prototypeur 3D. Si nécessaire, ajustez la taille de l'objet et lissez sa surface pour optimiser l'impression.Une tâche importante dans le traitement visuel consiste à déduire la catégorie à laquelle appartient un objet observé donné. En partie grâce aux informations sur les caractéristiques connues de l'objet, les embryons numériques sont utiles. Lorsqu'on étudie ce processus déductif, supposons que la tâche de catégorisation soit binaire.Il s'agit donc de deux catégories possibles uniquement, et notre tâche consiste à distinguer la catégorie K de la catégorie L ; soit C la variable de catégorie, C est égale à K ou C est égale à L selon que l'image observée I appartient respectivement à la catégorie K ou à la catégorie L. En supposant qu'il existe exactement une caractéristique binaire F, calculez la probabilité que la catégorie soit K étant donné l'information contenue dans l'image. De même, pour la probabilité que la catégorie soit L, choisissez la catégorie ayant la probabilité la plus élevée.Par exemple, commencez avec cette caractéristique informative constituée de fragments et une valeur seuil de 0,69. La tâche consiste à déterminer si cette caractéristique est présente dans une image donnée, comme l'image la plus à droite dans la route G trois. Faites d'abord glisser le modèle sur toutes les positions possibles de l'image et calculez, à chaque position, la valeur absolue de la corrélation croisée normalisée entre le modèle et la sous-image sous-jacente.Ensuite, sélectionnez l'emplacement de l'image ayant la valeur la plus élevée. Si cette valeur est supérieure au seuil, concluez que la caractéristique est présente ; sinon, concluez qu'elle est absente. Dans le cadre de l'inférence fondée sur les caractéristiques, nous supposons que toute l'information que l'observateur extrait de l'image est contenue dans la valeur de cette caractéristique.Par conséquent, la tâche consiste à déterminer la valeur de F dans l'image donnée en calculant les probabilités pour cette valeur F, puis à choisir la catégorie ayant la probabilité la plus élevée. Il s'agit du cadre bayésien permettant de combiner l'ensemble des probabilités pertinentes. Notez que le dénominateur dans les deux équations est identique ; concentrez-vous donc sur le numérateur.Supposons une probabilité a priori uniforme, selon laquelle les deux catégories sont a priori également probables. La tâche consiste désormais à calculer la vraisemblance, c’est-à-dire la probabilité d’une valeur donnée d’un attribut dans une image appartenant à une catégorie C donnée. Par exemple, utilisons les six images de la catégorie L comme exemples pour calculer la probabilité que l’attribut soit présent dans une image de la catégorie L. Tout d’abord, prenons toutes les images d’apprentissage appartenant à L ; pour chaque image, déterminons si la valeur de l’attribut est égale à un (c’est-à-dire que l’attribut est présent dans l’image) ou zéro (c’est-à-dire que l’attribut est absent). Ensuite, calculons la fraction d’images dans lesquelles la valeur de l’attribut est égale à un.Par conséquent, la probabilité que la caractéristique soit présente dans une image de la catégorie L est de 0,33 ; pour des estimations précises, utilisez au moins 30 images par catégorie. Dans une expérience typique, nous devrions connaître l'estimation interne du sujet concernant cette probabilité. Remarquez comment l'utilisation d'embryons numériques rend cela particulièrement facile.Étant donné que nous avons un contrôle total sur l'exposition du sujet aux embryons numériques, nous pouvons être certains que la valeur calculée mentalement par le sujet est cohérente avec notre estimation et n'est pas influencée par une expérience antérieure inconnue ou non contrôlée. De manière analogue, calculez les probabilités d'absence et de présence de l'image dans les catégories K et L. À partir de ces valeurs, une inférence peut être effectuée afin d'identifier l'étiquette de catégorie de cette nouvelle image. Déterminez d'abord si la caractéristique F est présente dans l'image en utilisant les formules précédentes établies pour les probabilités non normalisées et les valeurs venant d'être calculées, puis calculez les probabilités de présence dans l'image des catégories K et L. Ces données indiquent que l'image appartient à la catégorie K. Bien que la confiance soit relativement faible, la morphogenèse virtuelle offre un approvisionnement illimité en formes 3D nouvelles.Ici, des embryons numériques sont générés en simulant des processus clés de l'embryogenèse biologique. Chaque exécution commence avec un icosaèdre et produit un embryon unique. Selon les paramètres des morphogènes, les embryons numériques peuvent être manipulés graphiquement pour créer des scènes visuelles d'une complexité arbitraire à l'aide de n'importe quel outil graphique standard.Par exemple, le même embryon numérique peut être texturé différemment et éclairé selon les besoins. De plus, des scènes visuelles d'une complexité arbitraire, comme cette scène où un embryon numérique est camouflé sur un fond à texture similaire, peuvent être créées à l'aide d'un environnement de modélisation et de rendu 3D disponible commercialement. L'algorithme de phylogenèse virtuelle imite l'évolution biologique.L'algorithme virtuel de phylogenèse imite l'évolution biologique. De nouveaux objets et catégories d'objets apparaissent comme des variations héréditaires qui s'accumulent de façon sélective, tout en développant leurs propres variations de forme au fur et à mesure de leur évolution. Dans cet exemple particulier, un ancêtre commun unique, l'icosaèdre, donne naissance à trois générations de descendants.La complexité de la forme augmente de l'icosaèdre à la génération G1 car nous permettons une augmentation du nombre de cellules, mais la complexité globale de la forme reste constante à partir de la génération G1. Cet arbre phylogénétique est comparable à d'autres égards, mais utilise des objets non embryonnaires téléchargés auprès de fournisseurs d'objets virtuels. Remarquez que les objets partageant un ancêtre commun constituent directement une catégorie.Étant donné qu'aucune division cellulaire n'était autorisée à aucune génération, toutes les variations de forme résultent uniquement du déplacement et/ou de la croissance des cellules individuelles de l'objet donné. Dans ce scénario, le morphing crée des variations de forme progressives en interpolant entre les sommets correspondants des deux objets désignés, celui le plus à gauche et celui le plus à droite.Les composantes principales de l'embryon créent également des variations régulières de la forme. Cet embryon représente la moyenne arithmétique de 400 embryons. Dans ce cas particulier, les deux premières composantes principales représentaient respectivement 73 % et 19 % de l'information de forme.Les embryons ont été obtenus en faisant varier les valeurs propres pondérées. Ces embryons numériques peuvent être rendus sous forme d'objets 3D virtuels, puis imprimés comme objets tactiles à l'aide d'une imprimante 3D ou d'un prototypeur standard disponible dans le commerce, afin d'étudier la perception visuelle en tant qu'inférence, en particulier l'inférence bayésienne. Les embryons numériques constituent un outil indispensable pour créer des catégories nouvelles aux paramètres contrôlés, tels que les a priori et les vraisemblances.Après avoir visionné cette vidéo, vous devriez avoir une bonne compréhension de la manière de créer un ensemble d'embryons numériques adaptés à votre expérience particulière. Des objets individuels ou des catégories entières, avec différents degrés de variabilité et de complexité, peuvent tous être créés facilement. Les images obtenues peuvent être utilisées pour des expériences en reconnaissance d'objets, en catégorisation, en apprentissage de catégories et bien d'autres encore.

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

Research

Recherche

JoVE Journal

Neuroscience

Neurosciences

Traitement perceptif et la catégorie de l&#39;hypothèse Uncanny Valley de la dimension de la Représentation humaine: certaines questions méthodologiques

À 3-4 mois, l'écoute de vocalisations des primates humains et non humains stimule la cognition des enfants en bas âge; de 6 mois, exercent vocalisations que l'homme cet avantage cognitif. Nous décrivons une manipulation d'exposition qui révèle le puissant rôle de mise en forme de l'expérience que les nourrissons qui semble indiquer un lien vers la connaissance et qui à la sourde oreille.

L&#39;expérience est instrumentale dans Tuning un lien entre la langue et Cognition: Preuve de 6 à 7 mois-vieux Infants&#39; Catégorisation objet

Nous présentons ici un protocole pour les paradigmes de familiarisation-test qui fournissent un test direct de la catégorisation infantile et aider à définir le rôle du langage dans l’apprentissage de la catégorie.

Définissant le rôle du langage dans la catégorisation objet nourrissons avec les paradigmes de l’Eye-tracking

Nous décrivons des méthodes pour présenter des objets du monde réel et apparions des images des mêmes objets dans des conditions expérimentales étroitement contrôlées. Les méthodes sont décrites dans le contexte d'une tâche de prise de décision, mais la même approche du monde réel peut être étendue à d'autres domaines cognitifs tels que la perception, l'attention et la mémoire.

Méthodes de présentation d'objets du monde réel dans des conditions de laboratoire contrôlées

Cet article décrit comment mettre en place une expérience qui permet de détecter les influences pré-stimulus source-niveau sur la perception de l'objet à l'aide de magnétoencéphalographie (MEG). Il couvre le matériel de stimulation, la conception expérimentale, l'enregistrement MEG, et l'analyse des données.

Détection des effets de niveau source pré-stimulus sur la perception des objets avec magnétoencéphalographie

Le protocole présente un paradigme psychophysique expérimental pour obtenir de grandes quantités de jugements de similitude, et un flux de travail d’analyse qui l’accompagne. Le paradigme sonde les effets de contexte et permet de modéliser les données de similarité en termes d’espaces euclidiens d’au moins cinq dimensions.

Un paradigme psychophysique pour la collecte et l’analyse des jugements de similitude

Nous décrivons ici les méthodes d'essais de C. elegans apprentissage associatif et à court et à long terme la mémoire associative. Ces dosages de la population utilisent les capacités des vers à chemotax vers odorants volatils, et de former des associations positives sur les accords mets butanone chimiotactique. Augmenter le nombre de périodes de conditionnement induit mémoire à long terme.

C. elegans à l&#39;apprentissage butanone, à court terme et à long terme Tests mémoire associative

Adulte-né neurones exprimant CHR2 peuvent être manipulés dans des préparations tranche électrophysiologiques afin d'examiner leur contribution à la fonction de olfactive circuits neuronaux.

L&#39;utilisation abordable tableaux LED pour photo-stimulation des neurones

Neurones adultes-né du bulbe olfactif peut être contrôlé à l'aide optogenetically Channelrhodopsin2 exprimant l'injection lentiviral dans le flux migratoire et rostrale photostimulation chronique avec une miniature implanté à LED.

Sélective transduction virale des adultes-né pour les neurones olfactifs chronique In vivo Stimulation optogénétique

Un moyen efficace pour mieux comprendre comment les êtres humains eux-mêmes de naviguer en trois dimensions est décrite. La méthode tire parti d'un simulateur de mouvement capable de se déplacer de façon observateurs inaccessibles par des simulateurs traditionnels. Les résultats confirment que le mouvement dans le plan horizontal est sous-estimée, tandis que le mouvement vertical est surestimé.

MPI CyberMotion Simulator: la mise en œuvre d&#39;un simulateur de mouvement Novel pour étudier l&#39;intégration multisensorielle chemin en trois dimensions

Découvrez la création d'objets 3D par morphogenèse virtuelle et phylogenèse pour étudier la perception visuelle et haptique. Cette méthode computationnelle génère des embryons numériques avec variations contrôlées.

Création d'objets et catégories d'objets pour l'étude de la perception et de l'apprentissage perceptif

Explorer plus de vidéos