יצירת אובייקטים וקטגוריות אובייקט ללימוד תפיסה ולמידת תפיסתית

הליך זה נועד ליצור אובייקטים וקטגוריות אובייקטים לחקר האופן שבו אנו תופסים ולומדים לתפוס אובייקטים על ידי ראייה או מגע. ראשית, מורפוגנזה וירטואלית או VM משמשת כדי לדמות את תהליכי ההתפתחות העוברית המוקדמת וליצור אובייקטים תלת-ממדיים וירטואליים נטורליסטיים חדשים הנקראים עוברים דיגיטליים. לאחר מכן, באמצעות אגנזה פיזית וירטואלית או קטגוריות אובייקטים VP נוצרות עם מאפיינים סטטיסטיים מוגדרים במדויק על סמך העובר הדיגיטלי הקלט.

אם תרצה, ניתן להשתמש בניתוח רכיבי עקרון כדי ליצור וריאציות צורה נוספות בין האובייקטים הווירטואליים שנוצרו על ידי מורפוגנזה וירטואלית ואגנזה פיזית וירטואלית. ניתן לחשב במדויק את הסבירות שאובייקט נתון שייך לקטגוריה נתונה באמצעות הסקה בייסיאנית מבוססת תכונות. במידת הצורך, ניתן ליצור הדפסות הפטיות של האובייקטים הווירטואליים המתקבלים באמצעות מדפסת תלת מימד.

כל אחת מהשיטות הללו תומחש בפירוט רב יותר בהמשך בהשוואה לשיטות הקיימות. גישות חדשות אלה יוצרות וריאציות צורה נטורליסטיות אך מדידות במדויק המתעוררות ללא צורך באילוצים המוטלים על ידי החוקר. הם מציעים כלים חדשניים בתחומי תפיסה חזותית והפטית, למידה תפיסתית וראיית מכונה, ויש להם יישומים פוטנציאליים בשיקום סוגים רבים של ליקויי ראייה באמצעות אימון קרוס מתכת הפטי חזותי.

מעניין ששיטה זו יכולה להיות מיושמת גם כדי לחקור את תהליכי המורפוגנזה והאבולוציה עצמם, והיה לנו לראשונה רעיון לשיטה זו כאשר חיפשנו דרכים ליצור גירויים חזותיים נטורליסטיים, אך ניתנים להגדרה מדויקת למחקרים וראייה חישובית. בתחילה, אנשים שידעו באמצעות שיטה זו עשויים להיאבק בהיבטים המתמטיים והתכנות האינטנסיביים שלה, ולכן הדגמה חזותית זו תמחיש כיצד ליישם ולהשתמש בשיטה זו כראוי. בסדנת העובר הדיגיטלי, ציין קבוצה של הגדרות או גנוטיפ ליצירת עובר יחיד ליצירת עוברים מרובים.

חזור על תהליך זה מספר פעמים כדי ליצור צורות מורכבות יותר על ידי מורפוגנזה וירטואלית. הגדל את מספר מחזורי הגדילה כדי לציין את מספר הפעמים שתאי העובר יתחלקו. סדנת העובר הדיגיטלי שומרת אוטומטית כל עובר כקובץ OBJ כך שתוכל להשתמש בעובר מאוחר יותר עם ערכות כלים מסחריות למידול תלת מימד

צור את הגירויים החזותיים על ידי הגדרת הפרמטרים הגרפיים הסטנדרטיים השונים כגון כיוון, גודל, תאורה, מרקם פני השטח ורקע כדי ליצור קטגוריות אובייקטים. צור צאצאים של אובייקט אב קדמון בצורה היררכית. אתה יכול גם לשנות בצורה חלקה את הצורה באמצעות שינוי צורה תוך שמירה על ההתאמה של אחד לאחד של קודקודים בין האובייקטים.

מעניין שאובייקטים וירטואליים שאינם עוברים דיגיטליים יכולים לשמש גם כקלט לאגנזה פיזית וירטואלית. בחר אובייקטים בקטגוריה נתונה כדי להשיג התפלגות נתונה של תכונות. לדוגמה, אם ברצונך ליצור שתי קטגוריות שונות בגודלן, הסר באופן סלקטיבי אובייקטים בגודל בינוני כדי ליצור התפלגות בימודאלית של גדלי אובייקטים.

כעת, מדוד באופן אובייקטיבי את הדמיון בין זוג קטגוריות נתון באמצעות שיטות פילוגנטיות זמינות כגון מתאם קופונטי. חישובים אלה יכולים להתבצע באמצעות ערכות כלים אנליטיות נפוצות כגון MATLAB או R עבור כל זוג אובייקטים נתון כאשר כל קודקוד של אובייקט אחד מתאים בדיוק לקודקוד אחד של האובייקט השני שינוי צורה הוא פשוט. בחר את נקודות האינטרפולציה והשתמש בשינוי צורה ליניארי בין שני האובייקטים כדי לבצע אינטרפולציה חלקה בין הקודקודים המתאימים.

ראשית, קבע את מרכיבי העיקרון כמתארים ספציפיים של קבוצה נתונה של אובייקטים. ניתן לחשב רכיבי עיקרון באמצעות ממוצע MATLAB או R, הקואורדינטות של כל קודקוד על פני כל אובייקטי הקלט של N כדי ליצור אובייקט ממוצע, להכפיל כל רכיב P בערך ה-egen המתאים למבדה ומשקל רצוי wj, ולהוסיף לאובייקט הממוצע כדי ליצור אובייקט חדש. Aj ממשיך לגוון בצורה חלקה את WJ כדי ליצור וריאציות צורה חלקות לאורך רכיב עיקרי נתון.

כדי ליצור רשת רב-ממדית של צורות, השתמש בערכת משקולות עבור כל אחד מכמה רכיבים עיקריים. הדפס אובייקטים תלת-ממדיים באמצעות אב-טיפוס תלת-ממדי. במידת הצורך, התאם את גודל האובייקט והחליק את פני השטח של האובייקט כדי למטב את ההדפסה.

משימה חשובה בעיבוד חזותי היא להסיק את הקטגוריה שאליה שייך אובייקט נצפה נתון. בין השאר על ידי שימוש במידע על תכונות ידועות של האובייקט, עוברים דיגיטליים שימושיים. כאשר בוחנים את תהליך ההיסק הזה, נניח שמשימת הסיווג היא בינארית.

כלומר, יש רק שתי קטגוריות אפשריות ושהמשימה שלנו כרוכה בהבחנה בין קטגוריה K לקטגוריה L, נניח ש-C יהיה משתנה הקטגוריה, C שווה ל-K או C שווה ל-L בהתאם לשאלה אם התמונה הנצפית I שייכת לקטגוריה K או L בהתאמה. בהנחה שיש בדיוק תכונה בינארית אחת F, חשב הסתברות שהקטגוריה היא K בהינתן המידע בתמונה. באופן דומה, עבור ההסתברות שהקטגוריה היא L, בחר את הקטגוריה עם ההסתברות הגבוהה יותר.

לדוגמה, התחל עם תכונת הקטע האינפורמטיבי הזו וערך סף של 0.69. המשימה היא לקבוע אם תכונה זו קיימת בתמונה נתונה כמו התמונה הימנית ביותר בכביש G 3. ראשית החלק את התבנית על כל המיקומים האפשריים בחישוב התמונה בכל מיקום, הערך המוחלט של מתאם צולב מנורמל בין התבנית לתמונת המשנה שמתחתיה.

לאחר מכן בחר את מיקום התמונה עם הערך הגבוה ביותר. אם ערך זה נמצא מעל הסף, הסיק שהתכונה קיימת, אחרת הסיק שהיא נעדרת. במסגרת ההסקה המבוססת על תכונה, אנו מניחים שכל המידע שהצופה מחלץ מהתמונה כלול בערך של תכונה זו.

לכן, המשימה הופכת להיות של קביעת הערך של F בתמונה הנתונה חישוב הסתברויות עבור אותו ערך F, ובחירת הקטגוריה עם ההסתברות הגבוהה יותר. זוהי המסגרת הבייסיאנית לחיבור כל ההסתברויות הרלוונטיות. שימו לב שהמכנה בשתי המשוואות זהה, לכן הגבילו את תשומת הלב למונה.

נניח שלפני שטוח הוא ששתי הקטגוריות הן אפריורי. סביר באותה מידה שהמשימה כעת היא לחשב את ההסתברות של ערך תכונה נתון בתמונה של קטגוריה נתונה C.לדוגמה, השתמש בשש התמונות של קטגוריה L כדוגמאות כדי לחשב את ההסתברות שהתכונה קיימת בתמונה של קטגוריה L.ראשית, קח את כל תמונות האימון השייכות ל-L עבור כל תמונה, קבע אם ערך התכונה הוא ערך שהוא התכונה הקיימת בתמונה, או אפס שהוא התכונה נעדרת. לאחר מכן חשב את חלק התמונות שבהן ערך התכונה הוא אחד.

לכן, ההסתברות שהתכונה קיימת בתמונה מקטגוריה L היא 0.33 להערכות מדויקות, השתמש לפחות ב-30 תמונות לכל קטגוריה. בניסוי טיפוסי, נצטרך לדעת את ההערכה הפנימית של הנבדק של הסתברות זו. שימו לב כיצד השימוש בעוברים דיגיטליים הופך את זה לקל במיוחד.

מכיוון שיש לנו שליטה מלאה על החשיפה של הנבדק לעוברים דיגיטליים, אנו יכולים להיות בטוחים שהערך המחושב הפנימי של הנבדק עולה בקנה אחד עם ההערכה שלנו ואינו מושפע מכל ניסיון קודם בלתי מבוקר ולא ידוע. באופן דומה, חשב הסתברויות של היעדר ונוכחות של התמונה בקטגוריות K ו-L.בהינתן ערכים אלה, ניתן לבצע הסקה כדי לזהות את תווית הקטגוריה של תמונה חדשה זו. ראשית, קבע אם התכונה F קיימת בתמונה באמצעות הנוסחאות הקודמות שנקבעו עבור הסתברויות לא נורמליות והערכים שחושבו זה עתה, חשב את ההסתברויות לנוכחות בתמונה של קטגוריות, K ו-L.נתונים אלה מצביעים על כך שהתמונה היא מקטגוריה K.למרות שברמת ביטחון נמוכה יחסית, מורפוגנזה וירטואלית מציעה אספקה בלתי מוגבלת של צורות תלת מימד חדשות.

כאן, עוברים דיגיטליים נוצרים על ידי הדמיית תהליכי מפתח של אמבריוגנזה ביולוגית. כל ריצה מתחילה באיקוסהדרון ומייצרת עובר ייחודי. בהתבסס על הגדרות המורפוגן, ניתן לתפעל את העוברים הדיגיטליים באופן גרפי כדי ליצור סצנות חזותיות של מורכבות שרירותית באמצעות כל ערכת כלים גרפית סטנדרטית.

לדוגמה, אותו עובר דיגיטלי יכול להיות בעל מרקם שונה ולהאיר כרצונך. בנוסף, ניתן ליצור סצנות חזותיות של מורכבות שרירותית כמו סצנה זו עם עובר דיגיטלי מוסווה על רקע מרקם דומה באמצעות סביבת מידול ועיבוד תלת מימד זמינה מסחרית. אלגוריתם הפיזיקה הווירטואלית מחקה את האבולוציה הביולוגית.

אלגוריתם הפיזיקה הווירטואלית מחקה את האבולוציה הביולוגית. אובייקטים וקטגוריות אובייקטים חדשים מופיעים כוריאציות תורשתיות המצטברות באופן סלקטיבי אך צוברות וריאציות צורה משלהן ככל שהן מתפתחות. בדוגמה הספציפית הזו, אב קדמון משותף אחד, האיקוסהדרון מייצר שלושה דורות של צאצאים.

מורכבות הצורה עולה מהאיקוסהדרון לדור G 1 מכיוון שאנו מאפשרים למספר התאים לגדול, אך מורכבות הצורה הכוללת נשארת זהה מדור G הראשון ואילך. אילן יוחסין זה ניתן להשוואה מבחינות אחרות, אך הוא משתמש באובייקטים שאינם עובריים שהורדו מספקי אובייקטים וירטואליים. שימו לב שהחפצים החולקים אב קדמון משותף מהווים באופן ישיר קטגוריה.

מכיוון שלא הותרו חלוקות תאים בשום דור, כל וריאציות הצורה נובעות אך ורק מתנועה או צמיחה של התאים הבודדים של האובייקט הנתון. בתרחיש זה, שינוי צורה יוצר וריאציות חלקות בצורה על ידי אינטרפולציה בין הקודקודים המתאימים של שני האובייקטים המיועדים. השמאל הקיצוני והימין הקיצוני.

רכיבי עקרון העובר יוצרים גם וריאציות חלקות בצורה. עובר זה מייצג את הממוצע האריתמטי של 400 עוברים. במקרה הספציפי הזה, שני המרכיבים העיקריים הראשונים היוו 73% ו-19% ממידע הצורה בהתאמה.

העוברים הושגו על ידי שינוי ערכי ה-eigen המשוקללים. ניתן לעבד את העוברים הדיגיטליים הללו כאובייקטים תלת מימדיים וירטואליים ולאחר מכן להדפיס אותם כאובייקטים הפטיים באמצעות מדפסת תלת מימד סטנדרטית זמינה מסחרית או אב טיפוס לחקר תפיסה חזותית כהסקה, במיוחד כהסקה בייסיאנית. עוברים דיגיטליים הם כלי רב ערך ליצירת קטגוריות חדשות עם פרמטרים מבוקרים כגון קודמים וסבירויות.

לאחר צפייה בסרטון זה, אתה אמור להבין היטב כיצד ליצור סט של עוברים דיגיטליים המתאימים לניסוי הספציפי שלך. ניתן ליצור בקלות אובייקטים בודדים או קטגוריות שלמות בדרגות שונות של שונות ומורכבות. התמונות המתקבלות יכולות לשמש לניסויים בזיהוי אובייקטים, סיווג, למידת קטגוריות ועוד רבים אחרים.