지각과 지각 학습 유학을위한 객체와 객체 카테고리 만들기

이 절차는 우리가 시각 및/또는 촉각으로 물체를 인식하고 인식하는 방법을 학습하는 방법을 연구하기 위해 물체와 물체 범주를 만드는 것을 목표로 합니다. 첫째, 가상 형태 형성(virtual morphogenesis, VM)을 사용하여 초기 배아 발달 과정을 시뮬레이션하고 디지털 배아라고 하는 새로운 자연주의적 가상 3D 물체를 만듭니다. 그런 다음 가상 phy agenesis 또는 VP를 사용하여 입력 디지털 배아를 기반으로 정확하게 정의된 통계적 특성으로 개체 범주가 생성됩니다.

원하는 경우 주요 구성 요소 분석을 사용하여 가상 형태 형성 및 가상 phy agenesis에 의해 생성된 가상 개체 간에 추가 모양 변형을 생성할 수 있습니다. 주어진 객체가 주어진 범주에 속할 가능성은 기능 기반 베이지안 추론을 사용하여 정확하게 계산할 수 있습니다. 필요한 경우 결과 가상 개체의 햅틱 프린트를 3D 프린터를 사용하여 생성할 수 있습니다.

이러한 각 방법은 기존 방법과 비교하여 나중에 더 자세히 설명됩니다. 이러한 새로운 접근 방식은 연구자가 부과한 제약 조건 없이 발생하는 자연주의적이지만 정확하게 측정 가능한 형상 변화를 생성합니다. 그들은 시각 및 햅틱 인식, 지각 학습 및 머신 비전 분야에서 새로운 도구를 제공하며 시각적 햅틱 크로스 메탈 교육을 통해 다양한 유형의 시각 장애를 재활하는 데 잠재적으로 응용할 수 있습니다.

흥미롭게도, 이 방법은 형태 발생과 진화 과정 자체를 연구하는 데에도 적용될 수 있으며, 연구 및 컴퓨터 시각을 위해 자연주의적이지만 정확하게 정의할 수 있는 시각적 자극을 생성하는 방법을 찾고 있을 때 이 방법에 대한 아이디어를 처음 얻었습니다. 처음에는 이 방법을 통해 알고 있는 개인이 수학 및 프로그래밍 집약적인 측면에서 어려움을 겪을 수 있으므로 이 시각적 데모는 이 방법을 올바르게 구현하고 사용하는 방법을 보여줍니다. 디지털 배아 워크숍에서 여러 배아를 생성하기 위해 단일 배아를 생성하기 위한 일련의 설정 또는 유전자형을 지정합니다.

이 과정을 여러 번 반복하여 가상 형태 형성에 의해 더 복잡한 모양을 생성합니다. 배아의 세포가 분열하는 횟수를 지정하기 위해 성장 주기의 수를 늘립니다. 디지털 배아 워크숍은 각 배아를 OBJ 파일로 자동 저장하므로 나중에 상용 3D 모델링 툴킷과 함께 배아를 사용할 수 있습니다.

방향, 크기, 조명, 표면 질감 및 배경과 같은 다양한 표준 그래픽 매개변수를 설정하여 시각적 자극을 생성하여 개체 범주를 생성합니다. 계층적 방식으로 상위 개체의 하위 항목을 만듭니다. 또한 모핑을 사용하여 모양을 매끄럽게 변경하면서 개체 간 정점의 일대일 대응을 유지할 수 있습니다.

흥미롭게도, 디지털 배아 이외의 가상 객체도 가상 물리 에이지네시스에 대한 입력으로 사용될 수 있습니다. 지정된 범주 내에서 객체를 선택하여 지정된 피쳐 분포를 얻을 수 있습니다. 예를 들어, 크기가 다른 두 개의 범주를 만들려면 중간 크기의 개체를 선택적으로 제거하여 개체 크기의 이중 모드 분포를 생성합니다.

이제 co phonetic correlation과 같은 사용 가능한 계통 발생 방법을 사용하여 주어진 범주 쌍 간의 유사성을 객관적으로 측정합니다. 이러한 계산은 주어진 객체 쌍에 대해 MATLAB 또는 R과 같이 일반적으로 사용 가능한 분석 툴킷을 사용하여 수행할 수 있으며, 한 객체의 각 정점이 다른 객체의 정확히 하나의 정점에 해당하므로 모핑이 간단합니다. 보간점을 선택하고 두 오브젝트 간에 선형 모핑을 사용하여 해당 정점 사이를 부드럽게 보간합니다.

먼저, 주요 구성 요소를 주어진 개체 집합의 특정 설명자로 결정합니다. 주성분은 MATLAB 또는 R 평균을 사용하여 계산하고, 모든 N개의 입력 객체에 걸쳐 각 꼭짓점의 좌표를 사용하여 평균 객체를 생성하고, 성분 P에 해당 egen 값 lambda와 원하는 가중치 wj를 곱하고, 평균 객체에 더하여 새 객체를 생성할 수 있습니다. Aj는 주어진 기본 구성 요소를 따라 부드러운 모양 변형을 만들기 위해 WJ를 계속 부드럽게 변경합니다.

모양의 다차원 그리드를 만들려면 여러 기본 구성 요소 각각에 대한 가중치 집합을 사용합니다. 3D 프로토타이저를 사용하여 3D 객체를 인쇄합니다. 필요한 경우 개체의 크기를 조정하고 개체의 표면을 매끄럽게 하여 인쇄를 최적화합니다.

시각 처리에서 중요한 작업은 주어진 관찰 대상이 속하는 범주를 추론하는 것입니다. 부분적으로는 물체의 알려진 특징에 대한 정보를 사용함으로써 디지털 배아가 유용합니다. 이 추론 과정을 연구할 때 분류 작업이 이진이라고 가정해 보겠습니다.

즉, 가능한 범주는 두 개뿐이며 우리의 작업은 관찰된 이미지 I가 각각 범주 K 또는 L에 속하는지 여부에 따라 범주 K를 범주 L과 구별하고, C를 범주 변수라고 하고, C는 K와 같거나 C는 L과 같습니다. 이진 특징 F가 정확히 하나라고 가정하고, 이미지의 정보가 주어지면 범주가 K일 확률을 계산합니다. 마찬가지로, 범주가 L일 확률의 경우 확률이 더 높은 범주를 선택합니다.

예를 들어, 이 정보 프래그먼트 기능과 임계값 0.69로 시작합니다. 이 기능이 G 3번 도로의 가장 오른쪽 이미지와 같이 지정된 이미지에 있는지 여부를 확인하는 것이 작업입니다. 먼저 이미지의 가능한 모든 위치 위로 템플릿을 밀어 각 위치에서 템플릿과 기본 하위 이미지 간의 정규화된 교차 상관의 절대값을 계산합니다.

그런 다음 값이 가장 높은 이미지 위치를 선택합니다. 이 값이 임계값보다 높으면 기능이 존재한다고 결론을 내리고, 그렇지 않으면 존재하지 않는다고 결론을 내립니다. 특징 기반 추론의 틀 내에서 관찰자가 이미지에서 추출하는 모든 정보가 이 기능의 값에 포함되어 있다고 가정합니다.

따라서 작업은 해당 값 F에 대한 주어진 이미지 컴퓨팅 확률에서 F의 값을 결정하고 확률이 더 높은 범주를 선택하는 작업이 됩니다. 이것은 모든 관련 확률을 모으기 위한 베이지안 프레임워크입니다. 두 방정식의 분모는 동일하므로 분자에 주의를 제한하십시오.

두 범주가 모두 선험적이라는 플랫 사전을 가정합니다. 마찬가지로 작업은 주어진 범주 C의 이미지에서 주어진 기능 값의 확률을 계산하는 것입니다.예를 들어, 범주 L의 이미지 6개를 예로 사용하여 기능이 범주 L의 이미지에 존재할 확률을 계산합니다.먼저 각 이미지에 대해 L에 속하는 모든 학습 이미지를 가져옵니다. 기능 값이 이미지에 기능이 있는 값인 값인지 아니면 기능이 없는 값인 0인지 확인합니다. 그런 다음 특징 값이 1인 이미지의 비율을 계산합니다.

따라서 범주 L의 이미지에 특징이 존재할 확률은 0.33이며, 정확한 추정치를 위해 범주당 최소 30개의 이미지를 사용합니다. 일반적인 실험에서는 이 확률의 주제 내부 추정치를 알아야 합니다. 디지털 배아를 사용하면 이 작업이 특히 쉬워집니다.

우리는 디지털 배아에 대한 피험자 노출을 완전히 통제할 수 있기 때문에, 피험자 내부에서 계산된 값이 우리의 추정치와 일치하며 통제되지 않거나 알려지지 않은 이전 경험의 영향을 받지 않는다는 것을 확신할 수 있습니다. 유사한 방식으로, 범주 K 및 L에서 이미지의 부재 및 존재 확률을 계산합니다.이러한 값이 주어지면 이 새 이미지의 범주 레이블을 식별하기 위해 추론을 수행할 수 있습니다. 먼저, 비정규 확률에 대해 결정된 이전 공식과 방금 계산한 값을 사용하여 기능 F가 이미지에 존재하는지 여부를 확인하고, 범주 K 및 L의 이미지에 존재할 확률을 계산합니다.이 데이터는 이미지가 범주 K에서 온 것임을 나타냅니다.상대적으로 신뢰도가 낮지만 가상 형태 형성은 새로운 3D 모양의 무한한 공급을 제공합니다.

여기서 디지털 배아는 생물학적 배발생의 핵심 과정을 시뮬레이션하여 생성됩니다. 각 실행은 이십면체로 시작하여 고유한 배아를 생성합니다. 모르포겐(morphogen) 설정에 따라 디지털 배아를 그래픽으로 조작하여 표준 그래픽 툴킷을 사용하여 임의의 복잡성의 시각적 장면을 생성할 수 있습니다.

예를 들어, 동일한 디지털 배아를 다른 질감으로 만들고 원하는 대로 조명을 비출 수 있습니다. 또한, 유사한 질감의 배경에 위장된 디지털 배아가 있는 이 장면과 같은 임의의 복잡성의 시각적 장면은 상업적으로 이용 가능한 3D 모델링 및 렌더링 환경을 사용하여 생성할 수 있습니다. 가상 phy agenesis 알고리즘은 생물학적 진화를 모방합니다.

가상 phy agenesis 알고리즘은 생물학적 진화를 모방합니다. 새로운 객체와 객체 범주는 선택적으로 축적되지만 발전함에 따라 자체적인 형태 변형을 축적하는 유전적 변이로 나타납니다. 이 특별한 예에서, 하나의 공통 조상인 이십면체는 3대에 걸친 후손을 생산합니다.

이십면체에서 G 세대로 넘어가면서 세포의 수가 증가할 수 있기 때문에 형상 복잡성이 증가하지만, 전체적인 형상 복잡도는 G세대 1세대부터 동일하게 유지됩니다. 이 가계도는 다른 측면에서도 비슷하지만, 가상 객체 공급업체에서 다운로드한 배아가 아닌 객체를 사용합니다. 공통 조상을 공유하는 객체는 직접적으로 범주를 구성합니다.

어떤 세대에서도 세포 분열이 허용되지 않았기 때문에 모든 모양 변화는 전적으로 주어진 물체의 개별 세포의 이동 및/또는 성장에 의해 발생합니다. 이 시나리오에서 모핑은 지정된 두 개체의 해당 정점 사이를 보간하여 모양의 부드러운 변형을 만듭니다. 극좌와 극우.

배아 주성분은 또한 형태의 부드러운 변화를 만듭니다. 이 배아는 산술 평균인 400개의 배아를 나타냅니다. 이 특별한 경우, 처음 두 개의 주요 구성 요소가 각각 형상 정보의 73%와 19%를 차지했습니다.

배아는 가중 고유값(EIGEN value)을 변화시킴으로써 얻어졌다. 이러한 디지털 배아는 가상 3D 개체로 렌더링 된 다음 표준 상용 3D 프린터 또는 프로토 타입을 사용하여 햅틱 개체로 인쇄 할 수 있으며, 이를 통해 시각적 인식을 추론, 특히 베이지안 추론으로 연구할 수 있습니다. 디지털 배아는 사전 확률(priors) 및 가능성(likelihood)과 같은 통제된 매개변수를 가진 새로운 범주를 만드는 데 매우 유용한 도구입니다.

이 비디오를 시청한 후에는 특정 실험에 적합한 디지털 배아 세트를 만드는 방법을 잘 이해하게 될 것입니다. 개별 개체 또는 가변성과 복잡성의 정도가 다른 전체 범주를 모두 쉽게 만들 수 있습니다. 결과 이미지는 객체 인식, 분류, 범주 학습 등의 실험에 사용할 수 있습니다.