Creazione di oggetti e categorie di oggetti per lo studio Percezione e apprendimento percettivo

Questa procedura mira a creare oggetti e categorie di oggetti per studiare come percepiamo e impariamo a percepire gli oggetti con la vista e/o il tatto. In primo luogo, la morfogenesi virtuale o VM viene utilizzata per simulare i processi di sviluppo embrionale precoce e creare nuovi oggetti 3D virtuali naturalistici chiamati embrioni digitali. Quindi, utilizzando la fisiogenesia virtuale o VP, vengono create categorie di oggetti con proprietà statistiche definite con precisione in base all'embrione digitale in ingresso.

Se lo si desidera, l'analisi dei componenti principali può essere utilizzata per creare ulteriori variazioni di forma tra gli oggetti virtuali creati dalla morfogenesi virtuale e dalla fisiogenesi virtuale. La probabilità che un dato oggetto appartenga a una data categoria può essere calcolata con precisione utilizzando l'inferenza bayesiana basata sulle funzionalità. Se necessario, è possibile generare stampe tattili degli oggetti virtuali risultanti utilizzando una stampante 3D.

Ciascuno di questi metodi sarà illustrato in modo più dettagliato in seguito rispetto ai metodi esistenti. Questi nuovi approcci creano variazioni di forma naturalistiche ma misurabili con precisione che sorgono senza la necessità di vincoli imposti dagli investigatori. Offrono nuovi strumenti nei campi della percezione visiva e tattile, dell'apprendimento percettivo e della visione artificiale e hanno potenziali applicazioni nella riabilitazione di molti tipi di disabilità visive attraverso l'allenamento visivo tattile con metalli incrociati.

È interessante notare che questo metodo può essere applicato anche per studiare i processi di morfogenesi ed evoluzione stessi, e abbiamo avuto l'idea di questo metodo per la prima volta quando stavamo cercando modi per generare stimoli visivi naturalistici, ma definibili con precisione per gli studi e la visione computazionale. Inizialmente, le persone sapevano che attraverso questo metodo avrebbero potuto avere difficoltà con i suoi aspetti matematici e di programmazione, quindi questa dimostrazione visiva illustrerà come implementare e utilizzare correttamente questo metodo. Nel laboratorio sull'embrione digitale, specifica una serie di impostazioni o genotipo per generare un singolo embrione per generare più embrioni.

Ripeti questo processo più volte per generare forme più complesse mediante morfogenesi virtuale. Aumentare il numero di cicli di crescita per specificare il numero di volte in cui le cellule dell'embrione si divideranno. Il laboratorio di embrioni digitali salva automaticamente ogni embrione come file OBJ in modo da poter utilizzare successivamente l'embrione con i toolkit di modellazione 3D commerciali.

Genera gli stimoli visivi impostando i vari parametri grafici standard come orientamento, dimensioni, illuminazione, texture della superficie e sfondo per generare categorie di oggetti. Creare i discendenti di un oggetto antenato in modo gerarchico. È anche possibile variare la forma in modo uniforme utilizzando il morphing, preservando la corrispondenza biunivoca dei vertici tra gli oggetti.

È interessante notare che anche oggetti virtuali diversi dagli embrioni digitali possono essere utilizzati come input per la fisiogenesia virtuale. Selezionare gli oggetti all'interno di una determinata categoria per ottenere una determinata distribuzione delle funzioni. Ad esempio, se si desidera creare due categorie di dimensioni diverse, eliminare selettivamente gli oggetti di medie dimensioni per generare una distribuzione bimodale delle dimensioni degli oggetti.

Ora, misura oggettivamente la somiglianza tra una data coppia di categorie utilizzando i metodi filogenetici disponibili come la correlazione cofonetica. Questi calcoli possono essere eseguiti utilizzando toolkit analitici comunemente disponibili, come MATLAB o R, per una data coppia di oggetti, dove ogni vertice di un oggetto corrisponde esattamente a un vertice dell'altro oggetto. Seleziona i punti di interpolazione e usa il morphing lineare tra i due oggetti per interpolare uniformemente tra i vertici corrispondenti.

Innanzitutto, determinare i componenti principali come descrittori specifici di un dato insieme di oggetti. I componenti principali possono essere calcolati utilizzando MATLAB o la media R, le coordinate di ciascun vertice su tutti gli N oggetti di input per generare un oggetto medio, moltiplicare qualsiasi componente P per il corrispondente valore egen lambda e un peso wj desiderato e sommare all'oggetto medio per generare un nuovo oggetto. Aj continua a variare uniformemente WJ per creare variazioni di forma uniformi lungo un dato componente principale.

Per creare una griglia multidimensionale di forme, utilizzare un set di pesi per ciascuno dei diversi componenti principali. Stampa oggetti 3D utilizzando un prototipo 3D. Se necessario, regolare le dimensioni dell'oggetto e levigare la superficie dell'oggetto per ottimizzare la stampa.

Un compito importante nell'elaborazione visiva è dedurre la categoria a cui appartiene un dato oggetto osservato. In parte utilizzando le informazioni sulle caratteristiche note dell'oggetto, gli embrioni digitali sono utili. Quando si studia questo processo inferenziale, si supponga che l'attività di categorizzazione sia binaria.

Cioè ci sono solo due categorie possibili e che il nostro compito consiste nel distinguere la categoria K dalla categoria L, sia C la variabile di categoria, C uguale a K o C uguale a L a seconda che l'immagine osservata I appartenga rispettivamente alla categoria K o L. Supponendo che esista esattamente una caratteristica binaria F, calcola la probabilità che la categoria sia K date le informazioni nell'immagine. Analogamente, per la probabilità che la categoria sia L, scegli la categoria con la probabilità più alta.

Ad esempio, inizia con questa funzione di frammento informativo e un valore di soglia di 0,69. Il compito è determinare se questa caratteristica è presente in una data immagine come l'immagine più a destra nella strada G tre. Prima di tutto far scorrere il modello su tutte le posizioni possibili nel calcolo dell'immagine in ogni posizione, il valore assoluto della correlazione incrociata normalizzata tra il modello e l'immagine secondaria sottostante.

Quindi selezionare la posizione dell'immagine con il valore più alto. Se questo valore è superiore alla soglia, concludere che la funzionalità è presente, altrimenti concludere che è assente. Nell'ambito dell'inferenza basata sulle caratteristiche, assumiamo che tutte le informazioni che l'osservatore estrae dall'immagine siano contenute nel valore di questa caratteristica.

Pertanto, il compito diventa quello di determinare il valore di F nelle probabilità di calcolo dell'immagine date per quel valore F, e selezionare la categoria con la probabilità più alta. Questo è il quadro bayesiano per mettere insieme tutte le probabilità rilevanti. Si noti che il denominatore nelle due equazioni è lo stesso, quindi restringi l'attenzione al numeratore.

Supponiamo un priori piatto che sia entrambe le categorie sono a priori. Altrettanto probabile è ora il compito di calcolare la probabilità di un dato valore di funzionalità in un'immagine di una data categoria C.Ad esempio, utilizzare le sei immagini della categoria L come esempi per calcolare la probabilità che la caratteristica sia presente in un'immagine della categoria L.Innanzitutto, prendere tutte le immagini di addestramento che appartengono a L per ogni immagine, Determinare se il valore della funzione è uno che indica che la funzione è presente nell'immagine o zero che indica che la funzione è assente. Quindi calcola la frazione di immagini in cui il valore della funzione è uno.

Pertanto, la probabilità che la caratteristica sia presente in un'immagine di categoria L è 0,33 per stime accurate, utilizzare almeno 30 immagini per categoria. In un tipico esperimento, avremmo bisogno di conoscere la stima interna del soggetto di questa probabilità. Si noti come l'utilizzo di embrioni digitali renda tutto questo particolarmente facile.

Poiché abbiamo il pieno controllo sull'esposizione del soggetto agli embrioni digitali, possiamo essere certi che il valore calcolato internamente dal soggetto è coerente con la nostra stima e non è influenzato da alcuna esperienza precedente incontrollata e sconosciuta. In modo simile, calcola le probabilità di assenza e presenza dell'immagine nelle categorie K e L.Dati questi valori, è possibile eseguire l'inferenza per identificare l'etichetta di categoria di questa nuova immagine. In primo luogo, determinare se la caratteristica F è presente nell'immagine utilizzando le formule precedenti determinate per le probabilità non normali e i valori appena calcolati, calcolare le probabilità della presenza nell'immagine delle categorie, K e L.Questi dati indicano che l'immagine proviene dalla categoria K.Sebbene con una confidenza relativamente bassa, la morfogenesi virtuale offre una fornitura illimitata di nuove forme 3D.

Qui, gli embrioni digitali vengono generati simulando i processi chiave dell'embriogenesi biologica. Ogni corsa inizia con un icosaedro e genera un embrione unico. Sulla base delle impostazioni del morfogeno, gli embrioni digitali possono essere manipolati graficamente per creare scene visive di complessità arbitraria utilizzando qualsiasi toolkit grafico standard.

Ad esempio, lo stesso embrione digitale può essere strutturato in modo diverso e illuminato a piacere. Inoltre, scene visive di complessità arbitraria come questa scena con un embrione digitale mimetizzato su uno sfondo con texture simili possono essere create utilizzando un ambiente di modellazione e rendering 3D disponibile in commercio. L'algoritmo di fisiogenesia virtuale emula l'evoluzione biologica.

L'algoritmo di fisiogenesia virtuale emula l'evoluzione biologica. Nuovi oggetti e categorie di oggetti emergono come variazioni ereditabili che si accumulano selettivamente ma accumulano variazioni di forma proprie man mano che si sviluppano. In questo particolare esempio, un singolo antenato comune, l'icosaedro produce tre generazioni di discendenti.

La complessità della forma aumenta dall'icosaedro alla generazione G uno perché permettiamo al numero di celle di aumentare, ma la complessità complessiva della forma rimane la stessa dalla generazione G in poi. Questo albero genealogico è paragonabile sotto altri aspetti, ma utilizza oggetti non embrionali che sono stati scaricati da venditori di oggetti virtuali. Si noti che gli oggetti che condividono un antenato comune costituiscono semplicemente una categoria.

Poiché in nessuna generazione sono state permesse divisioni cellulari, tutte le variazioni di forma derivano esclusivamente dal movimento e/o dalla crescita delle singole cellule di un dato oggetto. In questo scenario, il morphing crea variazioni uniformi di forma interpolando tra i vertici corrispondenti dei due oggetti designati. L'estrema sinistra e l'estrema destra.

I componenti principali dell'embrione creano anche variazioni di forma graduali. Questo embrione rappresenta la media aritmetica di 400 embrioni. In questo caso particolare, i primi due componenti principali rappresentavano rispettivamente il 73% e il 19% delle informazioni sulla forma.

Gli embrioni sono stati ottenuti variando i valori propri ponderati. Questi embrioni digitali possono essere renderizzati come oggetti 3D virtuali e quindi stampati come oggetti tattili utilizzando una stampante 3D standard disponibile in commercio o un prototipo per studiare la percezione visiva come inferenza, in particolare come inferenza bayesiana. Gli embrioni digitali sono uno strumento prezioso per creare nuove categorie con parametri controllati come le priorità e le probabilità.

Dopo aver visto questo video, dovresti avere una buona comprensione di come creare una serie di embrioni digitali adatti al tuo particolare esperimento. È possibile creare facilmente singoli oggetti o intere categorie con diversi gradi di variabilità e complessità. Le immagini risultanti possono essere utilizzate per esperimenti di riconoscimento di oggetti, categorizzazione, apprendimento di categorie e molti altri.