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

Cette procédure vise à créer des objets et des catégories d’objets pour étudier comment nous percevons et apprenons à percevoir les objets par la vue et/ou le toucher. Tout d’abord, la morphogenèse virtuelle ou VM est utilisée pour simuler les processus de développement embryonnaire précoce et créer de nouveaux objets virtuels 3D naturalistes appelés embryons numériques. Ensuite, à l’aide de la phygénésie virtuelle ou de la VP, des catégories d’objets sont créées avec des propriétés statistiques définies avec précision sur la base de l’embryon numérique d’entrée.

Si vous le souhaitez, l’analyse des composants principaux peut être utilisée pour créer des variations de forme supplémentaires parmi les objets virtuels créés par la morphogenèse virtuelle et la phyagénésie virtuelle. La probabilité qu’un objet donné appartienne à une catégorie donnée peut être calculée avec précision à l’aide de l’inférence bayésienne basée sur les caractéristiques. Si nécessaire, des impressions haptiques des objets virtuels résultants peuvent être générées à l’aide d’une imprimante 3D.

Chacune de ces méthodes sera illustrée plus en détail par la suite par rapport aux méthodes existantes. Ces nouvelles approches créent des variations de forme naturalistes mais précisément mesurables qui surviennent sans qu’il soit nécessaire de les imposer par l’enquêteur. Ils offrent de nouveaux outils dans les domaines de la perception visuelle et haptique, de l’apprentissage perceptuel et de la vision artificielle, et ont des applications potentielles dans la réhabilitation de nombreux types de déficiences visuelles grâce à l’entraînement visuel haptique croisé métallique.

Fait intéressant, cette méthode peut également être appliquée pour étudier les processus de morphogenèse et d’évolution eux-mêmes, et nous avons d’abord eu l’idée de cette méthode lorsque nous cherchions des moyens de générer des stimuli visuels naturalistes, mais définissables avec précision pour les études et la vision informatique. Initialement, les personnes savaient que cette méthode pouvait avoir des difficultés avec ses aspects intensifs en mathématiques et en programmation, de sorte que cette démonstration visuelle illustrera comment mettre en œuvre et utiliser correctement cette méthode. Dans l’atelier sur l’embryon numérique, spécifiez un ensemble de paramètres ou de génotypes pour générer un seul embryon afin de générer plusieurs embryons.

Répétez ce processus plusieurs fois pour générer des formes plus complexes par morphogenèse virtuelle. Augmentez le nombre de cycles de croissance pour spécifier le nombre de fois que les cellules de l’embryon se diviseront. L’atelier numérique d’embryons enregistre automatiquement chaque embryon sous forme de fichier OBJ afin que vous puissiez utiliser ultérieurement l’embryon avec des boîtes à outils de modélisation 3D commerciales.

Générez les stimuli visuels en réglant les différents paramètres graphiques standard tels que l’orientation, la taille, l’éclairage, la texture de la surface et l’arrière-plan pour générer des catégories d’objets. Créez des descendants d’un objet ancêtre de manière hiérarchique. Vous pouvez également varier la forme en douceur à l’aide du morphing tout en préservant la correspondance biunivoque des sommets entre les objets.

Il est intéressant de noter que des objets virtuels autres que les embryons numériques peuvent également être utilisés comme intrants pour la phygénésie virtuelle. Sélectionnez des objets dans une catégorie donnée pour obtenir une distribution donnée des fonctionnalités. Par exemple, si vous souhaitez créer deux catégories de taille différente, éliminez sélectivement les objets de taille moyenne pour générer une distribution bimodale des tailles d’objet.

Maintenant, mesurez objectivement la similitude entre une paire donnée de catégories à l’aide des méthodes phylogénétiques disponibles telles que la corrélation cophonétique. Ces calculs peuvent être effectués à l’aide de boîtes à outils analytiques couramment disponibles telles que MATLAB ou R pour n’importe quelle paire d’objets donnée où chaque sommet d’un objet correspond exactement à un sommet de l’autre objet ; le morphing est simple. Sélectionnez les points d’interpolation et utilisez le morphing linéaire entre les deux objets pour interpoler en douceur entre les sommets correspondants.

Tout d’abord, déterminez les composants principaux en tant que descripteurs spécifiques d’un ensemble donné d’objets. Les composantes principales peuvent être calculées à l’aide de la moyenne MATLAB ou R, des coordonnées de chaque sommet sur tous les N objets d’entrée pour générer un objet moyen, de multiplier n’importe quelle composante P par la valeur egen lambda correspondante et un poids souhaité wj, et de les ajouter à l’objet moyen pour générer un nouvel objet. Aj continue à faire varier en douceur WJ pour créer des variations de forme lisses le long d’un composant principal donné.

Pour créer une grille multidimensionnelle de formes, utilisez un ensemble de poids pour chacun des composants principaux. Imprimez des objets 3D à l’aide d’un prototypage 3D. Si nécessaire, ajustez la taille de l’objet et lissez la surface de l’objet 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 en utilisant les informations sur les caractéristiques connues de l’objet, les embryons numériques sont utiles. Lors de l’étude de ce processus d’inférence, supposons que la tâche de catégorisation est binaire.

C’est-à-dire qu’il n’y a que deux catégories possibles et que notre tâche consiste à distinguer la catégorie K de la catégorie L, soit C la variable de catégorie, C est égal à K ou C est égal à L selon que l’image observée I appartient respectivement à la catégorie K ou L. En supposant qu’il y a exactement une caractéristique binaire F, calculez une probabilité que la catégorie soit K compte tenu des informations contenues dans l’image. De même, pour la probabilité que la catégorie soit L, choisissez la catégorie avec la probabilité la plus élevée.

Par exemple, commencez avec cette fonctionnalité de fragment informatif et une valeur de 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 de la route G trois. Tout d’abord, faites glisser le modèle sur tous les emplacements possibles dans le calcul de l’image à chaque emplacement, la valeur absolue de la corrélation croisée normalisée entre le modèle et la sous-image sous-jacente.

Sélectionnez ensuite l’emplacement de l’image avec la valeur la plus élevée. Si cette valeur est supérieure au seuil, concluez que la fonctionnalité est présente, sinon concluez qu’elle est absente. Dans le cadre de l’inférence basée sur les caractéristiques, nous supposons que toutes les informations que l’observateur extrait de l’image sont contenues dans la valeur de cette caractéristique.

Par conséquent, la tâche devient celle de déterminer la valeur de F dans l’image donnée en calculant les probabilités pour cette valeur F, et de sélectionner la catégorie avec la probabilité la plus élevée. Il s’agit du cadre bayésien permettant de rassembler toutes les probabilités pertinentes. Notez que le dénominateur des deux équations est le même, limitez donc votre attention au numérateur.

Supposons un a priori plat, c’est-à-dire que les deux catégories sont a priori. Il est tout aussi probable que la tâche consiste maintenant à calculer la vraisemblance de la probabilité d’une valeur de caractéristique donnée dans une image d’une catégorie C donnée.Par exemple, utilisez les six images de la catégorie L comme exemples pour calculer la probabilité que la caractéristique soit présente dans une image de catégorie L.Tout d’abord, prenez toutes les images d’apprentissage qui appartiennent à L pour chaque image, Déterminez si la valeur de la fonction est égale à celle de la présence de la fonction dans l’image ou à zéro à celle de l’absence de la fonction. Calculez ensuite la fraction d’images dans laquelle la valeur de la caractéristique est un.

Par conséquent, la probabilité que la caractéristique soit présente dans une image de catégorie L est de 0,33 pour des estimations précises, utilisez au moins 30 images par catégorie. Dans une expérience typique, nous aurions besoin de connaître l’estimation interne du sujet de cette probabilité. Notez comment l’utilisation d’embryons numériques rend cela particulièrement facile.

Comme nous avons un contrôle total sur l’exposition du sujet aux embryons numériques, nous pouvons être sûrs que la valeur calculée en interne du sujet est cohérente avec notre estimation et n’est pas influencée par une expérience antérieure incontrôlée et inconnue. De la même manière, 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 pour identifier l’étiquette de catégorie de cette nouvelle image. Tout d’abord, déterminez si la caractéristique F est présente dans l’image à l’aide des formules précédentes déterminées pour les probabilités anormales et les valeurs qui viennent d’être calculées, 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 qu’avec une confiance relativement faible, la morphogenèse virtuelle offre une offre illimitée de nouvelles formes 3D.

Ici, les embryons numériques sont générés en simulant des processus clés de l’embryogenèse biologique. Chaque passage commence par un icosaèdre et génère un embryon unique. Sur la base des paramètres morphogènes, les embryons numériques peuvent être manipulés graphiquement pour créer des scènes visuelles d’une complexité arbitraire à l’aide de n’importe quelle boîte à outils graphique standard.

Par exemple, le même embryon numérique peut être texturé différemment et éclairé à volonté. De plus, des scènes visuelles d’une complexité arbitraire, comme cette scène avec un embryon numérique camouflé sur un arrière-plan texturé similaire, peuvent être créées à l’aide d’un environnement de modélisation et de rendu 3D disponible dans le commerce. L’algorithme d’agénésie physique virtuelle émule l’évolution biologique.

L’algorithme d’agénésie physique virtuelle émule l’évolution biologique. De nouveaux objets et de nouvelles catégories d’objets apparaissent comme des variations héréditaires qui s’accumulent de manière sélective, mais accumulent des variations de forme qui leur sont propres au fur et à mesure qu’elles se développent. Dans cet exemple particulier, un seul ancêtre commun, l’icosaèdre, produit trois générations de descendants.

La complexité de la forme augmente de l’icosaèdre à la génération G un, car nous permettons au nombre de cellules d’augmenter, mais la complexité globale de la forme reste la même à partir de la génération G. Cet arbre généalogique est comparable à d’autres égards, mais il utilise des objets non embryonnaires qui ont été téléchargés auprès de vendeurs d’objets virtuels. Notez que les objets qui partagent un ancêtre commun constituent directement une catégorie.

Comme aucune division cellulaire n’était autorisée dans aucune génération, toutes les variations de forme résultent uniquement du mouvement et/ou de la croissance des cellules individuelles de l’objet donné. Dans ce scénario, le morphing crée des variations douces de forme en interpolant entre les sommets correspondants des deux objets désignés. L’extrême gauche et l’extrême droite.

Les composants principaux de l’embryon créent également des variations de forme douces. Cet embryon représente la moyenne arithmétique de 400 embryons. Dans ce cas particulier, les deux premiers composants principaux représentaient respectivement 73 % et 19 % des informations de forme.

Les embryons ont été obtenus en faisant varier les valeurs pondérées des eigen. Ces embryons numériques peuvent être rendus sous forme d’objets 3D virtuels, puis imprimés en tant qu’objets haptiques à l’aide d’une imprimante 3D standard disponible dans le commerce ou d’un prototypeur pour étudier la perception visuelle en tant qu’inférence, en particulier en tant qu’inférence bayésienne. Les embryons numériques sont un outil inestimable pour créer de nouvelles catégories avec des paramètres contrôlés tels que les a priori et les probabilités.

Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon 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 résultantes peuvent être utilisées pour des expériences de reconnaissance d’objets, de catégorisation, d’apprentissage de catégories et bien d’autres.