Name: 지각과 지각 학습 유학을위한 객체와 객체 카테고리 만들기 (동영상) | JoVE Journal
Uploaded: 2012-11-02T15:00:00.000+00:00
Duration: 14 min 38 s
Description: 학습하세요 가상 형태발생과 계통발생을 이용해 자연스러운 3D 객체와 카테고리를 생성하는 방법을. 시각 및 촉각 지각 연구와 지각 학습에 활용할 수 있는 이 기술은 재활 훈련과 기계 시각에도 응용 가능합니다.

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

playerTrialDesktop

이 작품은 미국 육군 연구소와 미 육군 연구 사무실 부여 W911NF1110105 및 NSF 부여 IOS-1147097to 제이 Hegdé에 의해 부분적으로 지원되었다. 지원 또한 조지아 보건 과학 대학의 비전 발견 연구소에서 제이 Hegdé에 파일럿 보조금에 의해 제공되었다. 다니엘 Kersten은 교부금 ONR N00014-05-1-0124와 NIH R01 EY015261 의해 일부 한국의 국립 연구 재단을 통해 교육 과학 기술부의 지원을받는 WCU (세계 클래스 대학) 프로그램 (R31-10008에 의해 지원되었다 ). 카린 Hauffen는 미국 육군의 학부 연구 견습 프로그램 (URAP)에 의해 지원되었다.

1. VM을 사용하여 자연 가상 3-D 객체 만들기 <ol><li> 디지털 배아를 만들려면 디지털 배아 워크숍 사용 (이슬을, 표 1 참조). 각 실행은 단일 배아 14, 주어진 실행 (그림 1)에 사용되는 설정 (또는 '유전자형')의 주어진 집합에 고유 한 모양을 생성합니다. 배의 '세포'는 삼각형 14로 표현됩니다. <ol><li> 배아의 원하는 번호를 생성 할 필요에 따라 몇 번으로 프로그램을 실행합니다. </li><li> 더 복잡한 모양을 원하는 경우, 배아의 세포가 분열하는 횟수 즉, 성장 사이클의 수를 늘리십시오. 이 또한 프로그램을 느리게됩니다. 이 디지털 배아가 아닌 다른 가상 객체를 생성 할 필요가있는 경우, 상업적으로 이용 가능한 3-D 모델링 도구를 사용하거나 상용 벤더 (표 1)에서 가상 객체를 얻습니다. </li></ol></li><li> 그것은 가상 객체를 저장하는 일반적으로 것이 좋습니다개체가 즉시 상용 3-D 모델링 툴킷로 가져올 수 있도록 같은 OBJ와 같은 일반적으로 사용되는 파일 형식에 s입니다. 이를 위해, 이슬은 기본적으로 OBJ 형식의 개체를 씁니다. </li><li> 시각적 자극은 3-D 모델링 및 렌더링 환경 (표 1)를 사용하여 하나 이상의 디지털 배아를 사용하여 생성 할 수 있습니다. 등의 방향, 크기, 조명, 표면 질감 및 (그림 2 참조) 원하는 자극을 만들 배경을 다양한 표준 그래픽 작업을 사용합니다. </li></ol> 2. VP를 사용하여 자연 개체 카테고리 만들기 <ol><li> 개체 카테고리를 생성하려면 위의 단계 1.1 프로세스의 목표 조합 (그림 3) 9,10,12,13를 사용하여 주어진 조상 (또는 '부모') 객체의 자손 (또는 '아동') 생성합니다. <ol><li> 일부 방법은 변형이나 주요 부품 (3 단계와 4 이하 참조) 부드러운 형상 변형, 작업 bett를 만들 아래에 설명어 모든 입력 개체가 세포의 동일한 번호와 객체의 정점들 사이에서 일대일 대응이있을 경우. 경우 이러한 개체를 만들 경우, 셀의 수를 변경하지 않으며 (참조, 예를 들어, 그림 3에서 G 3 세대 G 2) 물체 사이에 정점의 일대일 통신을 유지합니다 만 VM 프로세스를 사용합니다. 예를 들어, 세포 분열 및 프로그래밍 세포 죽음은 세포의 수를 변경하고, 개체의 특정 쌍의 정점 사이의 일대일 대응을 결정하기 위해 (17,18 불가능하지는 않았지만) 더 힘들어을합니다. 주어진 개체에 세포의 수를 변경하는 프로세스도 그 모양의 복잡성을 변경합니다. 일반적으로 세포의 큰 번호, 객체의 큰 모양의 복잡성과 그 표면 부드럽게. </li><li> 디지털 배아가 아닌 다른 필요한, 가상 객체가 VP에 입력 (그림 4)로 사용 할 수 있습니다. </li></ol></li><li> 기능 19 주어진 분포를 달성하기로 특정 카테고리 내의 개체가 더 있으므로 선택할 수 있습니다. 예를 들어, 하나는 선택적으로 객체 크기의 bimodal 분포를 생성하기 위해 특정 카테고리에서 중간 크기의 개체를 제거 할 수 있습니다. </li><li> 모든 카테고리에 대한 가능한 형태 정보를 측정하는 보편적 최적 단일 방법이 없으며, 분류 모든 개체에게 20-22를위한 최적 한 가지 방법이 있습니다. 따라서, experimentor 손 20-22시 해당 범주 및 전산 목표에 따라이 방법을 선택해야합니다. 4 단계이 가능 형상 정보의 다양한 측면을 조작하기위한 일반적으로 사용되는 방법을 설명합니다. </li><li> 카테고리 주어진 쌍 사이의 유사성은 객관적으로 가능한 phylogenetic 방법에게 23,24를 사용하여 측정 할 수 있습니다. 예를 들어, 카테고리 주어진 쌍 사이의 수직 (또는 '진화') 거리가 같은 계층 CL에 의해 측정, R 통계 툴킷의 방법을 ustering는 카테고리 유사성 25,26의 목적 측정 한 것입니다. </li></ol> 3. 모양 변화 만들기의 추가 방법 : 디지털 변형 <ol><li> 한 개체의 각 정점이 다른 개체 (. 즉, 꼭지점 사이에 일대일 대응이있는 개체)의 정확히 하나의 정점에 해당되도록 개체의 쌍을 감안할 때, 변형은 간단 17,18,27-29입니다 :이 년 사건은 두 객체 사이의 부드러운 변화 (또는 'morphs'는) 자연스럽게 해당 정점과 normals (그림 5) 사이의 보간에 의해 생산됩니다. 선택한 객체의 쌍에 따라 변형이 카테고리 내에 새 카테고리 또는 추가 아동 될 것이다. <ol><li> 그림 5에 표시된 개체는 선형 변형 27-29를 사용하여 만들어졌습니다. 개체는 사용 가능한 다른 변형 기술 17,18의 광대 한 배열에 의해 (또는 뒤틀린) 변형 할 수 있습니다. </li></ol></li><li> 변형 형상의 목표 배포를 만들려면, 그에 따라 보간 점을 선택합니다. </li></ol> 4. 모양 변화 만들기의 추가 방법 : 주요 구성 요소 <ol><li> 형상 변화를 생성하는 주요 구성 요소를 사용하려면, 하나는 먼저 주요 구성 요소 15를 결정해야합니다. 주요 구성 요소는 그들에게 26 결정에 사용되는 객체의 주어진 관련이 있습니다. 좋은 결과를 얻으려면, 정점 26 사이의 일대일 대응으로 최소 30 개체를 사용합니다. </li><li> 평균 객체를 생성 N 입력 객체의 원하는 집합에서 별도로 모든 객체에서 각 정점의 좌표와 정상을 평균하여. 따라서, x는 주어진 정점 k를의 조정 X의 평균 등등 모든 N 객체의 정점 k를 좌표를, 그리고해야합니다. </li><li> MATLAB 기능 princomp을 사용하여N 객체의 주요 구성 요소를 결정합니다. 이것은 해당 N-1 고유 값 26과 함께 N-1이 아닌 제로 고유 벡터를 생성합니다. </li><li> 새 개체를 생성하는 특정 주요 구성 요소의 J P 전, 해당 고유 값 λ i와 원하는 중량 w j를하여 i를 P 증식 및 평균 객체에 추가합니다 : J = + w J λ 전 P 전 </li><li> 각각의 고유 한 w j는 고유의 객체를 생성합니다. 부드럽게 w를 변화함으로써, 하나는 주어진 주요 구성 요소를 따라 부드러운 형상 변화를 만들 수 있습니다. </li><li> 독립적 인 형상 치수를 따라 모양 변형을 만들려면 다른 주요 구성 요소를 사용하여 4.4 단계를 반복합니다. </li><li> 주어진 주요 구성 요소를 따라 모양 원하는 분포를 만들려면 w의 원하는 분포를 사용합니다. &lt;/ 리&gt; </li><li> 모양의 다차원 격자를 만들려면 몇 가지 주요 구성 요소 각각에 대해 가중치 집합을 사용 : <img alt="방정식 2" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" data-altupdatedat="1787634011000" data-alt="수식이"></li></ol> 5. 3-D 객체의 Haptic 버전 만들기 <ol><li> 3-D prototyper (또는 3-D '프린터')를 사용하여 '인쇄 아웃'3-D 객체. 필요한 경우, 객체의 크기를 조정 사전 인쇄에 개체의 표면을 부드럽게. </li></ol> 6. 견본 신청 : 이미지 카테고리의 베이지안 추론 <ol><li> 영상 처리에서 중요한 작업은 주어진 관측 개체가 속해​​있는 카테고리를 유추하고 있습니다. 이 추론의 정확한 메커니즘은 알 수 있지만, 그 객체의 범주를 유추 할 수있는 주어진 이미지에 객체의 알려진 기능에 대한 정보를 사용하여 포함하는 연산과 생리적 증거 9,12,13,30-32 모두이 있습니다. 여기, 우리는 illustra합니다테 방법이 날개 과정은 베이지안 프레임 워크에서 작동 할 수 있으며, 어떻게 디지털 배아이 지역에 연구에 유용 할 수 있습니다. </li><li> 편의를 위해, 우리는 분류 작업이 바이너리이며, 카테고리 L (그림 3)에서 구별 카테고리 K에 관련되어 있다는 것을 가정 한 것입니다. C는 카테고리 변수가 될 봅시다. 우리는 추측됩니다 C = K 나 C I 카테고리 K 또는 L에 속하는 관찰 된 이미지 여부에 따라 = L. 분류에 대한 일반적인 접근 방식은 포함 : <ol><li> 카테고리는 이미지의 정보 제공 K 있다는 가능성을 계산, P를 표시된 (C = K | I); </li><li> 카테고리는 이미지에서 정보를 제공 L이라는 확률을 계산, P를 표시된 (C = L | I), 그리고 </li><li> 높은 확률로 카테고리를 선택. </li></ol></li><li> 다음, 우리는 간단을 위해 가정 한 것입니다정확히 하나의 바이너리 기능 F가 있는지. 이 기능은 하나의 이미지에있는 (F = 1 표시됨) 또는 이미지 (F = 0 표시됨)에서 결석 할 수 있습니다. 이 예는 그림 8에 표시된 '정보 조각'기능을 사용합니다. 정보 조각이 처음 Ullman 및 동료 33에 의해 설명되었다. 본 경우에서, 우리는 기능으로 그림 8에 표시된 이미지 템플릿, 그리고 0.69의 임계 값을 사용합니다. 이 기능은 특정 이미지 (그림 3 행 G3의 가장 오른쪽 이미지를 말)의 존재 여부를 확인하기 위해, 우리는 다음 단계를 사용합니다 : <ol><li> 이미지의 가능한 모든 지역으로이 템플릿을 밀어 있으며, 각 위치에서, 템플릿 및 기본 하위 이미지 사이의 정규화 된 상호 상관 관계의 절대 값을 계산합니다. </li><li> 가장 높은 값 (본 경우에서 0.60)으로 이미지 위치를 선택합니다. </li><li> 이 값이 임계 값 이상이면, 결론저 사람이 기능은 존재하고, 그렇지 않으면,이 불참하는 결론. 가장 높은 상관 관계 0.60 아래 0.69의 문턱이기 때문에 우리의 경우, 우리는 기능이 이미지의 결석 결론. </li><li> 이러한 기능을 사용하는 근거와 기능을 선택하고 자신의 임계 값이 보고서의 범위를 벗어나므로 다루지 않습니다,하지만 결정의 메커니즘은 심판이 판결에 자세히 설명되어 있습니다. 33, 30. </li></ol></li><li> 기능 기반 추론의 틀 내에서, 우리는 내가, 이미지의 관찰자 추출물 모든 정보가이 기능의 가치에 포함되어 있다고 가정합니다. E, 그 P (C | I). = P (C | F). 따라서 작업이된다 주어진 이미지 (현재 또는 결석), 컴퓨팅 P (C = K | F)에 F의 값을 결정 및 그와 P (C = L | F)는 값이 F에 대한, 그리고 카테고리를 선택과 높은 probability. </li><li> 베이지안 프레임 워크에서, </li></ol><img alt="방정식 3" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" data-altupdatedat="1787634011000" data-alt="수식 3"> 따라서, <img alt="방정식 4" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" data-altupdatedat="1787634011000" data-alt="방정식 4"> 과 <img alt="방정식 5" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" data-altupdatedat="1787634011000" data-alt="수식 5"> 두 방정식의 분모가 동일합니다. (| F C = K) 및 P 따라서, P를 비교할 수 (C = L | F), 그것은 분모를 계산하는 필요가 없습니다, 대신에, 수량을 계산하기에 충분한 것입니다 P (C = K | F) α P (C = K) P (F | C = K) 과 P (C = L | F) α P (C = L) P (F | C = L) 일ESE는 때때로 'unnormalized 확률'이라고합니다. '가능성'이라고 | (C F)라는 용어는 P (C)는 '이전'이라는, 그리고 용어 P입니다. <ol start="6"><li> 편의를 위해, 우리는 가정합니다 전에 '평면': P (C = K) = P (C = L) = 0.5. </li><li> (| C F), 주어진 카테고리 C의 이미지의 특정 기능 값의 확률이 작업은 P를 계산하는 지금입니다. <ol><li> (| C = L F = 1), 기능 범주 L의 이미지에 있는지 확률 우리는 P를 계산하는 예로서 카테고리 L의 여섯 이미지 (그림 3)을 사용합니다. </li><li> P을 계산하기 위해 (F = 1 | C = L) 먼저 L에 속하는 모든 교육 이미지를. 다시 말하지만,이 그림 3에 표시됩니다. </li><li> 각 이미지를 들어, 기능 값이 1 (존재 여부를 확인등 (6.3.1)에 설명) 또는 0 (결석), - (6.3.3). 우리의 경우, 그림 3의 여섯 이미지, 값은 : [0, 0, 1, 0, 1, 0]. </li><li> 기능 값이 1 인에서 이미지의 일부를 계산합니다. 우리의 경우는 육분의이 = 0.33입니다. </li><li> 따라서, P (F = 1 | C = L) = 0.33. 정확한 견적을 얻기 위해 유의 한 수업 당 최소 30 이미지를 사용해야합니다. </li><li> 비슷한 방식으로, 우리는 계산 할 수있는 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> 이 값을 감안할 때, 추론을 수행 할 수 있습니다. 우리가 새로운 이미지 (그림 9)을 제공하고, 작업의 범주 레이블을 결정하는 것입니다하는 가정합니다. 이것은 다음과 같이 수행됩니다 : <ol><li> (6.3.3) - 우리는 (6.3.1)에 설명 된대로 기능 F는 이미지의 존재 여부를 확인합니다. 우리의 경우, 유한 요소 분석법에진짜야는 현재이기 때문에, F = 1. </li><li> 방정식 (1)를 사용하고 (2), 그리고에 계산 값 (6.7.5) - (6.7.6)는, 우리는 계산 할 수있는 P (C = K | F = 1) = 0.42 및 P (C = L | F = 1) = 0.17. </li><li> 이 정보를 감안할 때, 그것은 이미지가 상대적으로 낮은 자신감을 갖고, 카테고리 K의 것을 결론 합리적입니다. </li></ol></li><li> 이 생물학적 체계 (말 psychophysically)에서 이러한 접근을 테스트 할 재미 있고 유용 할 수 있습니다. 이 경우, 행동 예측이 이루어과 같은 (6.8.2)에서 얻은 것과 같은 계산 결과와 비교 될 수 있습니다. 정확한 예측을 만들려면, P의 좋은 추정치 (F | C) 필요합니다. 이러한 추정은 그러나, 익숙한 개체를 얻을하기 어려울 수 있습니다. 그 이유는 즉 P의 피사체의 견적 (F | C) 직접 관찰 할 수 있으며,이 주제부터를 계산하는 것은 매우 어려운되지 않습니다자연 이미지의 사전 노출 통제 할 수없는 알 수없는 것입니다. 디지털 배아가 실험에 사용하는 경우 반면에, 다음 정확하게 주제에 노출되어있는 배아와 배아 카테고리 제어 할 수 있습니다. 이 쉽게 주제에 노출 된 동일 데이터를 관심 수량을 계산 할 수 있습니다. 그 피사체가 자연 범주와 같은 분류 전략을 사용하는 그 가능성이 만드는 것이므로 배아 '외관은 자연이라는 사실은 도움이됩니다. </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>

관심 없음 충돌이 선언 없습니다.

인지 과학 연구의 VM 및 VP의 유용성 우리는 이전에 세부 l9 ,10,12-14에 VM과 VP의 유용성을 설명하고 있습니다. 이 소설을 만들기위한 원칙과 유연성 방법하지만, 자연 3-D 개체 14을 제공하기 때문에 간단히, VM, 특히 디지털 배아 방법이 유용합니다. 마찬가지로, VP는 자연 범주에게 9,10,12,13를 만드는 원리 방법을 제공합니다. 이 카테고리는 자연 계층 경향, 그리고 내 및 카테고리에서 기능 변화가 분류하기위한 독립적으로 실험과 알고리즘의 발생 사실 등의 자연 속에서 객체 범주와 VP 공유 많은 기능에 의해 생성 된 객체의 카테고리를 지적 가치 그 39. 현재 제한 사항 및 향후 방향 미래의 일에 대한 프로토콜과 방향의 세 가지 현재의 제한은 그들이 제안하는특히 주목할만한 위치 : 첫째, VM 및 VP 모두 생물학적 과정을 시뮬레이션. 우리는 비 생물학적 가상 개체가이 프로세스를위한 기판으로 사용할 수 있습니다 것을 보여 있지만, 기본 프로세스는 여전히 생물학적 동기입니다. 그러나, 자연물 - 모두 생물과 비 생물이 - 비 - 생물학적 힘에 의한 형태 변화를 거칩니다. 예를 들어, 바위 때문에 이러한 침식이나 침전 등의 지질 학적 프로세스 형태로 변경 될 수 있습니다. 바위의 새로운 카테고리가 다른 같은 지질 학적 과정에서 발생할 수 있습니다. 그것은 가능한 형태 변경 알고리즘의 레퍼토리로 이러한 프로세스를 통합 할 수 비교적 간단해야합니다. 우리 프로토콜의 두 번째 주요 제한은 동적 형상 변경 현재 레퍼토리가 오히려 제한된다는 점입니다. 이 같은 생물학적 움직임, 또는 바람, 물이나 중력 같은 외부 힘에 의한 운동과 같은 형태의 변화 큰 배열을 포함하는 것이 바람직하다. 우리는 wil 기대제가 동적 형상 변경 사항을 구현하기 위해 알려진 컴퓨터 애니메이션 알고리즘을 데려 올 상대적으로 간단합니다. 우리 프로토콜의 세 번째 주요 제한은 VM이 현재 gastrulation 36, 특히, 등 많은 다른 알려진 morphogenetic 프로세스를 포함하지 않습니다 것입니다. 또한 때문에 세포 벽 (36)의 같은 공장에서 morphogenesis이 가능한 거의 없거나 전혀없는 셀 운동, 성장에 의해 완전히 매개되어 있다는 사실로 알려진 제약, 통합되지 않습니다. 마찬가지로, VP는 유전자 표류 40 다른 알려진 phylogenetic 프로세스가 포함되어 있지 않습니다. 이러한 한계를 해결하면 발달, 생태 및 진화 시뮬레이션에서의 프로토콜의 사용을 촉진 크게 도움이 될 것입니다.

<table border="1"><tbody><tr><td> 툴킷 / 장비의 이름 </td><td> 회사 소개 / 저자 </td><td> 카탈로그 # </td><td> 코멘트 </td></tr><tr><td> 디지털 배아 워크숍 (이슬) </td><td> 마크 브래디와 댄 번지 </td><td></td><td> 이 사용자 친화적 인 메뉴 구동 도구에서 다운로드 1로 무료 다운로드 할 수 있습니다 <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> . 는 Windows에 현재 사용할 수 있습니다. </td></tr><tr><td> Cygwin을위한 디지털 배아 도구 </td><td> 제이 Hegdé와 카린 Hauffen </td><td></td><td> 이 그리 사용자 친화적하지 프로그램의 느슨한 모음입니다. 그들은 Windows 용 Cygwin 리눅스 에뮬레이터의 명령 줄 인터페이스에서 실행하도록 설계되어 있습니다. 이 프로그램은에서 다운로드 2로 다운로드 할 수 있습니다 <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos. Cygwin 인터페이스 자체는에서 무료로 다운로드 할 수 있습니다 <a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> . </td></tr><tr><td> 오토 데스크 3ds 맥스, 몬트리올, 퀘벡, 캐나다 </td><td> 오토 데스크 미디어 및 엔터테인먼트 </td><td> 3DS 맥스 </td><td> 이 유연한 플러그인 아키텍처 및 내장 된 스크립트 언어와 3-D 모델링, 애니메이션, 렌더링 툴킷입니다. 현재 운영 체제의 대부분에서 사용할 수 있습니다. </td></tr><tr><td> MATLAB </td><td> Mathworks 주식회사, Natic​​k, MA, USA </td><td> MATLAB </td><td> 이 많은 유용한 추가 기능 기능 수치 컴퓨팅 환경과 프로그래밍 언어입니다. 현재 운영 체제의 대부분에서 사용할 수 있습니다. </td></tr><tr><td> R 통계 툴킷 </td><td> 통계 컴퓨팅을위한 R 프로젝트 </td><td> R </td><td> 에서 다운로드 할 수 있습니다 무료로 담당 <a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /. 현재 운영 체제의 대부분에서 사용할 수 있습니다. </td></tr><tr><td> OpenGL을 </td><td> Khronos 그룹 </td><td> OpenGL을 </td><td> 이 교차 언어, 크로스 플랫폼 그래픽 툴킷은에서 무료로 다운로드 할 수 있습니다 <a href="http://www.opengl.org" target="_blank">www.opengl.org</a> . </td></tr><tr><td> V-플래시 개인 프린터 </td><td> 3D 시스템 주식회사, 록 힐, SC, 미국 </td><td> V-플래시 </td><td> 이이 보고서에 설명 된 모든 3-D 인쇄 응용 프로그램에 대한 좋은 값입니다. 인쇄 자료도 3D 시스템에 의해 vended 있으며, 주식회사 저렴 모델은 RepRap (rapmanusa.com)와 MakerGear에서 오픈 소스 형태로 사용할 수 있습니다. 더 비싼 모델 (&gt; 30달러 K)는 Objet 구조, 3DS 시스템, Z-사, 크기 인쇄 등의 이용이 가능합니다 </td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquid 주식회사, 뉴욕, LA </td><td> (각종 개체) </td><td> 다양한 가상 3-D 개체는 무료로이 사이트에서 또는 유료로 다운로드 할 수 있습니다. </td></tr><tr><td></td><td></td><td></td><td> 표 1. 특정 툴킷 및 장비의 표. </td></tr></tbody></table>

지각과 지각 학습 유학을위한 객체와 객체 카테고리 만들기

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

양적 객체 인식을 연구하기 위해, 생물 시스템이나 기계, 속성 1, 바람직 자연, 정확하게 정의와 개체와 개체 카테고리를 생성 한 요구에 의해 그 인식합니다. 또한, 지각 학습에 대한 연구를 위해, 그것은 이러한 속성을 2 소설 개체와 개체 카테고리 (또는 개체 클래스)를 만들 때 유용합니다. 많은 혁신적이고 유용한 방법은 현재 새로운 개체와 개체 카테고리 3-6 (또한 심판이 판결을 참조하십시오. 7,8)을 만드는 존재합니다. 그러나, 일반적으로 기존의 방법은 결점 세 광범위한 종류를 가지고 말하기. 첫째, 형상 변화는 일반적으로 실험 5,9,10가 부과되며, 따라서 자연 카테고리의 다양성 다를 수 있습니다, 그리고 특정 인식 알고리즘에 최적화 된. 그것은 유사 콘텐츠가 exte 독립적으로 발생해야하는 것이 바람직 할 것rnally 제약 조건을 부과. 둘째, 기존의 방법은 어려움이 자연물 11-13의 형상의 복잡성을 캡처 수 있습니다. 목표는 자연 객체 인식을 공부하는 경우, 가능 confounds 및 특별한 경우를 방지 할 수 있도록, 개체와 자연이 될 객체 카테고리에 바람직하다. 셋째, 그것은 양적 종래의 방법에 의해 생성 된 자극에 사용할 수있는 정보를 측정하는 것이 어렵습니다. 그것은 가능한 정보를 정확하게 측정 할 수있는 개체와 개체 카테고리를 생성하는 것이 바람직이어야하며, 필요한 경우, 체계적으로 (또는 &#39;조정&#39;) 조작. 것 이 하나가 양적 측면에서 기본 객체 인식 작업을 책정 할 수 있습니다. 여기서 우리는 위의 조건이 모두 세 충족 알고리즘 또는 방법의 집합을 설명합니다. 가상 morphogenesis (VM)은이 &#39;디지털 배아&#39;이라는 소설 자연 가상 3-D 객체를 생성embryogenesis (14)의 생물학적 과정을 시뮬레이션. 가상 계통 발생 론 (VP)는 자연 선택 9,12,13의 진화 과정을 시뮬레이션하여 소설 자연 객체 카테고리를 만듭니다. 이 시뮬레이션에 의해 만들어 객체와 객체 카테고리가 추가로 형상 특성 15,16의 체계적 변화를 생성하기 위해 다양한 변형 방법으로 조작 할 수 있습니다. VP과 방법을 변형도 디지털 배아가 아닌 다른 소설 가상 개체에, 또는 실제 개체 9,13의 가상 버전, 원칙적으로 적용 할 수 있습니다. 이 방식으로 만든 가상 객체는 표면 질감, 조명, 크기, 시점과 배경의 원하는 조작으로 기존의 그래픽 툴킷을 사용하여 시각적 이미지로 렌더링 할 수 있습니다. 가상 개체는 또한 기존의 3-D prototyper를 사용하여 haptic 개체로 &#39;인쇄&#39;할 수 있습니다. 우리는 또한 illus 도움이 계산 알고리즘의 일부 구현을 설명알고리즘의 잠재력 유틸리티를 trate. 그것은 그들의 구현에서 알고리즘을 구별하는 것이 중요합니다. 구현은 기본 알고리즘의 &#39;원칙의 증거&#39;로 단독 제공 데모입니다. 그것은 일반적으로 계산 알고리즘의 구현은 종종 알고리즘 자체는하지 않는 한계를 가지고 있습니다하는 것이 중요합니다. 함께 이러한 방법은 모두 생물 및 전산 시스템에 의한 객체 인식 및 지각 학습을 공부에 대한 강력하고 유연한 도구의 집합을 나타냅니다. 적절한 확장을 통해 이러한 방법은 morphogenesis와 계통 발생 론의 연구에 유용 할 수 있습니다.

VM은 새로운 3-D 모양의 거의 무한한 공급을 생성하는 데 사용할 수 있습니다. VM 알고리즘을 사용하여 생성 일부 표본 디지털 배아는 그림 1의 하단 패널에 표시됩니다.이 16 배아의 각 40 성장 (표 1 참조) Cygwin의 디지털 배아 도구에서 'growEmbryos.exe'프로그램을 사용하여 생성 된 사이클. 다른 모든 성장 매개 변수는 프로그램에 의해 내부적으로 설정되었습니다. 이러한 매개 변수의 대부분은 (한 배아에서 다음과 동일, 즉) 상수했다. 이러한 morphogen 소스의 위치와 강도 등의 몇 가지 매개 변수는 각 실행에 대해 독립적으로 프로그램에 의해 내부적으로 설정 한 임의의 매개 변수를했다. 이 16 배아 간의 모양 변형이 임의의 매개 변수의 변화의 결과로 전적으로 나타났다. 일부 임의로 선택한 텍스처를 사용하여 표면 텍스처링 34,35의 예는 그림 2A에 표시됩니다. 의 시각적 장면rbitrary 복잡성은 그림의 2B에 표시된 상업적으로 이용 가능한 3-D 모델링 및 렌더링 환경을 사용하여 만들 수 있습니다. 디지털 배아를 사용 VP에 의해 생성 된 대표 '가족 나무'는 그림 3에 표시됩니다. 그림 4와 같이 비교 나무는 또한, 디지털 배아가 아닌 다른 개체를 사용하여 구성 할 수 있습니다. 실험은 또한 객체의 다른 집합으로 카테고리를 정의 할 수 있습니다하지만 두 경우 모두에 공통 조상을 공유하는 개체 straightforwardly, 카테고리를 구성합니다. 이 VM 및 VP 알고리즘의 현재 구현으로 계단이나 평면 개체에 반대 비교적 부드러운 곡선 표면을 생산하는 경향이 그림 4에서 지적 가치가있다. 그것은이 아마도 이러한 알고리즘 우리의 구현의 제한이 아닌 알고리즘 자체입니다 또한 지적 가치, biolological 프로세스부터 objec를 생성 할 수 있습니다평면 표면과 계단 개요 (예., 장미 잎)와 TS. 도 5 및 6은 객체 모양과 객체 카테고리의 원칙 유사 콘텐츠를 만들 수 두에 추가하여 사용할 수 있습니다 방법, 또는 그 대신, VP의 전형적인 결과를 보여줍니다. 그림 7의 상단 패널은 두 디지털 배아의 시각적 렌더링을 보여줍니다, 그리고 그림 7의 하단 패널은 상업적으로 이용 가능한 3-D의 prototyper에 의해 생성 된 해당 출력을 보여줍니다. 도 8 및 9는 특정 시각적 객체를 분류하는 이미지 조각을 사용하기위한 제 6 항에 설명되어있는 절차를 보여줍니다. <img alt="그림 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="그림 1"> 1 그림. 가상 morphogenesis. 배아"14라는 소설 자연, 가상 3-D 객체의 유형을 보여줍니다. morphogen로 인한 세포 분열, 세포 성장, 세포 이동 및 프로그래밍 세포 죽음을 7,8,36,37 : 디지털 배아는 생물학적 embryogenesis의 주요 프로세스의 일부 중 하나 이상을 시뮬레이션에 의해 생성 할 수 있습니다. 각 운영 icosahedron (맨 위 패널에 표시)로 시작, 그 배의 VM 매개 변수 설정 (또는 '유전자형')에 따라 고유 한 배아를 생성합니다. 그들은 서로 다른 genotypes을 가지고 있기 때문에 따라서, 아래 패널의 16 배아는 다른 모양을 갖추고 있습니다. 필요에 따라 간단하거나 더 복잡한 모양이 배의 유전자형을 조작하여 (예를 들어, 최적의 시각적 계층 구조의 특정 수준의 뉴런을 자극하는)를 생성 할 수 있습니다. 프로그램 된 세포 사망을 제외한 상기 embryogenetic 프로세스의 모든 배아가 게재 생성에 시뮬레이션했다. 시뮬레이션 프로그램 된 세포 죽음은 특히이(미도시)에 타겟팅 된 들여 쓰기를 만들기위한 유용합니다. <img alt="그림 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="그림 2"> 그림 2. 디지털 배아를 사용하여 시각적 자극을 만드는 중입니다. 모든 가상 3-D 객체와 마찬가지로, 디지털 배아는 그래픽 표준 3-D 그래픽 툴킷을 사용하여 임의의 복잡한 시각적 장면을 만들 조작 할 수 있습니다. 이 그림은 몇 가지 일반적인 조작을 보여줍니다. (A) 동일한 디지털 배아은 다양한 질감을 사용하여 질감이며, 왼쪽 상단에 눈에 보이지 않는 광원에서 불. (B) A 위장 현장이 크기 조정 및 디지털 배아를 재 오리엔테이션과에 의해 생성됩니다 디지털은과 질감있는 동일한 배경을 배치. 디지털 배아는 오른쪽 아래 사분면에있는 '일반보기'에서 찾을 수 있습니다. 시각적 자극 cre의 추가 예를 들어디지털 배아를 사용 ated, 심판이 판결을 참조하십시오. 9,10,12-14,38. <img alt="그림 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="그림 3"> 그림 3. VP를 사용하여 디지털 배아 카테고리를 만듭니다. VP 알고리즘은 두 경우 모두, 소설 객체와 객체 카테고리에 같은 변화가 선택적으로 축적 물려 전할 수있는 등장한다는 점에서 생물학적 진화를 에뮬레이트합니다. 각 세대 G 전에서 선택된 배아가 생성 G 전 1로 이어지는, 낳다. 자손들은 부모의 형상 특성을 상속하지만, 개발로 자신의 형상 변화를 (그들의 유전자형의 작은 변화에 의해 결정) 발생합니다. 이 그림은 하나의 공통된 조상, icosahedron부터 후손의 세 세대의 '가족 나무'를 보여줍니다. 그이 경우 형상의 복잡성이 증가 icosahedron에서 generat에 있습니다이온 G 1,하지만 G 한 이후부터. 전화 번호의 증가 (예., 세포 분열) icosahedron에서 세대 G 1 허용 된 때문이다,하지만 G 한 이후부터. 일반적으로 세포 분열은 모양의 전반적인 복잡성을 변경하지 않고 셀 이동 및 세포 성장의 변화 모양과 같은 다른 morphogenetic 프로세스 반면, 모양의 복잡성을 증가하는 경향이있다. <img alt="그림 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="그림 4"> 4 그림. VP는 디지털 배아가 아닌 다른 가상 개체를 사용하여.이 그림은 디지털 배아가 아닌 가상 개체가 VP에 대한 입력으로 사용할 수있는 일반 원칙을 설명하는 데 도움이됩니다. 현재 형태의 VP 알고리즘은 누구의 표면에 삼각형의 전적으로 구성되어있는 가상 3-D 개체에 작동 할 수 있습니다. 세대 G 한 compris의 에드 (왼쪽에서 오른쪽으로) 박, 다이아몬드, 얼굴 마스크, 사과, 록, 그리고 선인장. VP가 필요하지 않기 때문에,이 그림에서 세대 G 1 개체가 공통 조상을 가지고하지 않습니다. G 2, G 3 개체는 G 1의 바위의 자손을 나타냅니다. 어떤 세포 분열은 모든 형상 변화가 전적으로 운동 및 / 또는 주어진 개체의 개별 '셀'의 성장에서 발생한 있도록 모든 세대에 사용할 수 없습니다. <img alt="그림 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="그림 5"> 그림 5. 모양의 부드러운 변화를 만들어 모핑 사용합니다. 변형이 포함됩니다 주어진 두 물체를 (이 그림 맨 왼쪽과 배아 맨 오른쪽) 복용하고 두 지정의 해당 꼭지점 사이에 보간하여 중간 개체 (배아를 개입) 계산차원 물체. 표시된 경우, 모든 꼭지점이 변형 선형의 결과, 같은 스칼라 요소를 사용하여 보간했다. 그러나, (미도시)에 비 선형 개체를 morph 할 수도 있습니다. 두 객체의 꼭지점 사이의 정확한 일대일 대응이있을 때 표시되는 경우에서와 같이 변형은 계산 간단합니다. 그래서 17,18 일에 대한 고유 한 원칙 방법은 없습니다하지만 그러나 그것은 관계없이 꼭지점이 정확히 일치 여부의 주어진 두 가상 객체 사이의 morph에, 원칙적으로 가능합니다. <img alt="그림 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="그림 6"> 6 그림. 모양의 부드러운 변화를 만드는 주요 구성 요소를 사용합니다. (A) 평균 배아. 이 배아 400 배아의 산술 평균 (의 K와 L 카테고리에서 200 각 대표그림 3). 단계 4.3에 설명 된대로 주요 구성 요소가 계산되었습니다. 주요 구성 요소 (미도시) 25,26을 400 배아의 상호 독립적 인 추상적 형상 치수를 나타냅니다합니다. 400 배아 함께 모든 변화, 또는 태아의 총칭 사용할 수있는 형태의 정보에 대해 설명 399 비 제로 주요 구성 요소 25,26를 얻을 수 있습니다. 관례 상, 주요 구성 요소가 자신의 고유 값의 감소 순서하거나 25,26 설명 전체 분산의 비율에 배치된다. 이 경우, 처음 두 주요 구성 요소는 각각 73%와 400 배아에서 사용할 수있는 형태 정보의 19 %를 차지한다. (B) 주요 구성 요소 1 다른 가중치를 (또는 더 정확하게, 가중 고유 값) 대표 태아. 주요 Compon의 다른 가중치를 나타냅니다 -0.2의 동등한 단계 -2 (맨 오른쪽)에 +2 (맨 왼쪽)에서 다양한 무게는. (C) 태아다닐 2. 무게는 +2 (맨 왼쪽)에서 -0.2의 동등한 단계 -2 (맨 오른쪽)으로 다양. 주요 구성 요소를 조작하는 전용 (예., 경우에 배의 날개 표시) 배의 특정 특정 신체 부위를 조작하지 않습니다. 필요한 경우, 가상의 신체 부위를 3-D 개체가 (미도시) 상용화 3-D 모델링 환경의 대부분을 사용하는 임의의 사용자 정의 방식으로 조작 할 수 있습니다. <img alt="그림 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="그림 7"> 그림 7. haptic 개체를 만듭니다. 가상 3-D 개체가 3-D '프린터'또는 ​​prototyper, 표준을 사용하여 haptic 개체로 상업적으로 이용 가능한 '인쇄'할 수 있습니다. 이 그림은 시각적 개체 (맨 위 행) 또는 해당 haptic 객체 (하단 행)로 렌더링 디지털 배아를 보여줍니다. haptic 객체들개체가 훨씬 작거나 큰 크기로 인쇄 할 수 있지만이 그림에서 hown는 약 6cm 폭 (규모 줄이 = 1 ㎝)로 인쇄했다. <img alt="그림 8" src="/files/ftp_upload/3358/3358fig8.jpg" data-altupdatedat="1787634011000" data-alt="그림 8"> 그림 8. 예를 들어 정보 조각에 대한 템플릿이 있습니다.이 예에서는 템플릿과 연결된 0.69의 임계 값이 있습니다. <img alt="그림 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="그림 9"> 그림 9. 개체 카테고리가 알려진되지 않은 새로운 이미지를 결정해야합니다.

우리는 정확하게 정의 된 기능 변화와 자연 3-D 개체와 개체 카테고리를 만들기위한 새로운 방법을 설명합니다. 우리는 morphogenesis 다음 Visual 이미지 나 haptic 개체로 렌더링 할 수있는 소설, 자연 가상 3-D 개체와 개체 카테고리를 만들 계통 발생 론의 생물학적 과정의 시뮬레이션을 사용합니다.

생물학적 시스템이나 기계에 의한 지각이든 간에, 객체 지각을 정량적으로 연구하기 위해서는 객체와 객체...를 생성해야 합니다.

본 절차의 목적은 시각 및 촉각을 통해 사물을 어떻게 인식하고 학습하는지를 연구하기 위한 객체 및 객체 범주를 생성하는 것입니다. 먼저, 가상 형태발생(virtual morphogenesis, VM)을 사용하여 초기 배아 발달 과정을 시뮬레이션함으로써 디지털 배아라고 불리는 새로운 자연주의적 가상 3D 객체를 생성합니다. 그다음, 가상 계통발생(virtual phylogenesis, VP)을 사용하여 입력된 디지털 배아를 기반으로 통계적 특성이 정밀하게 정의된 객체 범주를 생성합니다.필요에 따라 주성분 분석(principle components analysis)을 사용하여 가상 형태발생(virtual morphogenesis) 및 가상 계통발생(virtual phylogenesis)으로 생성된 가상 객체들 사이에 추가적인 형태 변이를 생성할 수 있습니다. 특정 객체가 특정 범주에 속할 확률은 특성 기반 베이지안 추론(feature-based bayesian inference)을 통해 정밀하게 계산할 수 있습니다. 필요한 경우, 3D 프린터를 사용하여 결과물인 가상 객체의 햅틱 프린트를 제작할 수 있습니다.이러한 각 방법은 기존 방법과 비교하여 이후에 더 자세히 설명될 것입니다. 이러한 새로운 접근 방식은 연구자가 임의로 설정한 제약 조건 없이도 자연스러우면서도 정밀하게 측정 가능한 형태 변화를 생성합니다. 이는 시각 및 촉각 인지, 지각 학습, 머신 비전 분야에 새로운 도구를 제공하며, 시각-촉각 교차 양식 훈련을 통해 다양한 유형의 시각 장애 재활에 응용될 가능성이 있습니다.흥미롭게도, 이 방법은 형태 형성 및 진화 과정 자체를 연구하는 데에도 적용될 수 있습니다. 저희는 연구 및 계산 비전(computational vision)을 위해 자연스러우면서도 정확하게 정의 가능한 시각적 자극을 생성하는 방법을 찾던 중 처음으로 이 방법 아이디어를 얻었습니다. 처음에는 이 방법을 접하는 분들이 수학 및 프로그래밍 집약적인 부분에서 어려움을 겪을 수 있으므로, 본 시각적 시연을 통해 이 방법을 올바르게 구현하고 사용하는 방법을 설명하겠습니다. 디지털 배아 워크숍에서, 단일 배아 또는 다수의 배아를 생성하기 위한 일련의 설정 또는 유전자형을 지정하십시오.가상 형태 형성(virtual morphogenesis)을 통해 더 복잡한 형태를 생성하려면 이 과정을 여러 번 반복하십시오. 성장 주기 횟수를 늘려 배아 세포가 분열될 횟수를 지정할 수 있습니다. 디지털 배아 워크숍은 각 배아를 OBJ 파일로 자동 저장하므로, 나중에 상용 3D 모델링 툴킷에서 해당 배아를 사용할 수 있습니다.방향, 크기, 조명, 표면 질감, 배경과 같은 다양한 표준 그래픽 파라미터를 설정하여 객체 범주를 생성함으로써 시각 자극을 생성합니다. 계층적 방식으로 조상 객체의 후손 객체들을 생성하십시오. 또한, 객체 간 정점의 일대일 대응 관계를 유지하면서 모핑을 통해 모양을 부드럽게 변화시킬 수 있습니다.흥미롭게도, 디지털 배아 외의 가상 객체 또한 가상 계통발생(virtual phylo-genesis)의 입력값으로 사용할 수 있습니다. 특정 특성의 분포를 구현하기 위해 주어진 범주 내에서 객체를 선택하십시오. 예를 들어, 크기가 서로 다른 두 가지 범주를 생성하려면 중간 크기의 객체를 선택적으로 제거하여 객체 크기의 이봉 분포(bimodal distribution)를 생성하십시오.이제 공통 계통 상관관계(cophenetic correlation)와 같은 가용한 계통학적 방법을 사용하여 주어진 범주 쌍 사이의 유사성을 객관적으로 측정하십시오. 이러한 계산은 MATLAB 또는 R과 같이 일반적으로 사용 가능한 분석 툴킷을 사용하여 수행할 수 있으며, 한 객체의 각 정점이 다른 객체의 정확히 하나의 정점과 대응하는 모든 객체 쌍에 대해 모핑(morphing)을 간단하게 수행할 수 있습니다. 보간 지점을 선택하고 두 객체 간의 선형 모핑을 사용하여 대응하는 정점들 사이를 부드럽게 보간하십시오.먼저, 주어진 객체 집합의 구체적인 기술자로서 주성분을 결정합니다. 주성분은 MATLAB 또는 R을 사용하여 계산할 수 있으며, 모든 N개 입력 객체에 걸쳐 각 정점의 좌표를 평균 내어 평균 객체를 생성하고, 임의의 성분 P에 해당 고유값 lambda와 원하는 가중치 wj를 곱한 후 이를 평균 객체에 더해 새로운 객체를 생성합니다. 주어진 주성분을 따라 매끄러운 형상 변화를 만들기 위해 WJ를 계속해서 부드럽게 변화시킵니다.다차원 형상 그리드를 생성하려면, 여러 주성분 각각에 대한 가중치 세트를 사용하십시오. 3D 프로토타이퍼를 사용하여 3D 객체를 출력합니다. 필요한 경우, 출력을 최적화하기 위해 객체의 크기를 조정하고 표면을 매끄럽게 다듬으십시오.시각 처리의 중요한 과제는 관찰된 특정 대상이 어떤 범주에 속하는지 추론하는 것입니다. 대상의 알려진 특징에 대한 정보를 활용함으로써 디지털 배아가 유용하게 쓰입니다. 이러한 추론 과정을 연구할 때, 범주화 작업이 이진 분류라고 가정해 보겠습니다.즉, 가능한 카테고리는 두 가지뿐이며 우리의 과제는 카테고리 K와 카테고리 L을 구분하는 것입니다. 관찰된 이미지 I가 각각 카테고리 K 또는 L에 속하는지 여부에 따라 카테고리 변수를 C라 하고, C는 K 또는 L과 같습니다. 단 하나의 이진 특징 F가 존재한다고 가정하고, 이미지의 정보를 기반으로 카테고리가 K일 확률을 계산하십시오. 마찬가지로 카테고리가 L일 확률을 계산한 후, 확률이 더 높은 카테고리를 선택하십시오.예를 들어, 이 정보성 프래그먼트 특징과 0.69의 임계값으로 시작합니다. 과제는 도로 G 3의 가장 오른쪽 이미지와 같은 주어진 이미지에 이 특징이 존재하는지 여부를 판단하는 것입니다. 먼저 템플릿을 이미지의 모든 가능한 위치로 슬라이딩하며, 각 위치에서 템플릿과 해당 하위 이미지 간의 정규화된 상호 상관(normalized cross correlation)의 절대값을 계산합니다.그 다음 값이 가장 높은 이미지 위치를 선택합니다. 이 값이 임계값보다 높으면 해당 특징이 존재하는 것으로 결론짓고, 그렇지 않으면 없는 것으로 결론짓습니다. 특징 기반 추론 프레임워크 내에서, 우리는 관찰자가 이미지에서 추출하는 모든 정보가 이 특징의 값에 포함되어 있다고 가정합니다.따라서, 과제는 주어진 이미지에서 F의 값을 결정하고 해당 값 F에 대한 확률을 계산한 뒤, 확률이 더 높은 카테고리를 선택하는 것이 됩니다. 이것이 모든 관련 확률을 종합하기 위한 베이지안 프레임워크입니다. 두 식의 분모는 동일하므로 분자에만 집중하시기 바랍니다.두 범주가 사전적으로 동일하게 발생할 가능성이 있다는 평평한 사전 확률(flat prior)을 가정합니다. 이제 수행할 작업은 주어진 범주 C의 이미지에서 특정 특징값이 나타날 가능성인 우도(likelihood)를 계산하는 것입니다. 예를 들어, 범주 L에 속하는 6장의 이미지를 예시로 사용하여, 범주 L의 이미지에 해당 특징이 존재할 확률을 계산합니다. 우선, L에 속하는 모든 학습 이미지를 대상으로 각 이미지에서 특징값이 특징이 존재함을 의미하는 1인지, 아니면 특징이 없음을 의미하는 0인지 결정합니다. 그런 다음 특징값이 1인 이미지의 비율을 계산합니다.따라서, 해당 특징이 카테고리 L의 이미지에 존재할 확률은 0.33입니다. 정확한 추정치를 얻으려면 카테고리당 최소 30장의 이미지를 사용하십시오. 일반적인 실험에서는 이 확률에 대한 피험자의 내부 추정치를 알아야 합니다. 디지털 배아를 사용하면 이 과정이 특히 수월하다는 점에 주목하십시오.디지털 배아에 대한 피험자의 노출을 완전히 제어할 수 있으므로, 피험자가 내부적으로 계산한 값이 우리의 추정치와 일치하며 제어되지 않은 알 수 없는 이전 경험의 영향을 받지 않았음을 확신할 수 있습니다. 이와 유사한 방식으로, 카테고리 K와 L에서 해당 이미지의 부재 및 존재 확률을 계산합니다. 이러한 값들이 주어지면, 이 새로운 이미지의 카테고리 레이블을 식별하기 위한 추론을 수행할 수 있습니다. 먼저, 비정규 확률을 위해 결정된 이전 공식과 방금 계산한 값들을 사용하여 특징 F가 이미지에 존재하는지 판단하고, 카테고리 K와 L이 이미지에 존재할 확률을 계산합니다. 이 데이터는 해당 이미지가 카테고리 K에 속함을 나타냅니다. 신뢰도는 상대적으로 낮지만, 가상 형태 발생은 새로운 3D 형상을 무제한으로 공급할 수 있게 해줍니다.본 연구에서는 생물학적 배아 발생의 핵심 과정을 시뮬레이션하여 디지털 배아를 생성합니다. 각 실행은 정이십면체에서 시작하여 고유한 배아를 생성합니다. 모르포젠(morphogen) 설정에 따라, 디지털 배아는 표준 그래픽 툴킷을 사용하여 임의의 복잡성을 가진 시각적 장면으로 그래픽 조작이 가능합니다.예를 들어, 동일한 디지털 배아에 서로 다른 텍스처를 적용하거나 원하는 대로 조명을 설정할 수 있습니다. 또한, 유사한 텍스처의 배경에 디지털 배아가 위장된 이 장면과 같이 임의의 복잡성을 가진 시각적 장면을 상용 3D 모델링 및 렌더링 환경을 사용하여 생성할 수 있습니다. 가상 발생(virtual phy agenesis) 알고리즘은 생물학적 진화를 모방합니다.가상 계통 발생 알고리즘은 생물학적 진화를 모방합니다. 새로운 객체와 객체 범주는 선택적으로 축적되는 유전적 변이로써 나타나며, 발달 과정에서 자체적인 형태 변이를 겪게 됩니다. 본 예시에서는 정이십면체라는 단일 공통 조상이 3세대의 후손을 생성합니다.정이십면체에서 1세대(G one)로 갈수록 세포 수가 증가하도록 허용하므로 형상 복잡성이 증가하지만, 1세대 이후부터는 전반적인 형상 복잡성이 동일하게 유지됩니다. 이 가계도는 다른 측면에서는 유사하지만, 가상 객체 벤더로부터 다운로드한 비배아 객체들을 사용합니다. 공통 조상을 공유하는 객체들이 곧바로 하나의 범주를 구성한다는 점에 유의하십시오.모든 세대에서 세포 분열이 허용되지 않았으므로, 모든 형태 변화는 오직 해당 객체의 개별 세포의 이동 및 성장에 의해서만 발생합니다. 이 시나리오에서 모핑은 지정된 두 객체, 즉 가장 왼쪽과 가장 오른쪽의 대응하는 정점들 사이를 보간하여 형태의 부드러운 변화를 만들어냅니다.배아 주성분 또한 형태의 부드러운 변화를 만들어냅니다. 이 배아는 400개 배아의 산술 평균을 나타냅니다. 이 특정 사례의 경우, 처음 두 개의 주성분이 각각 형태 정보의 73%와 19%를 차지했습니다.가중 고유값(weighted eigen values)을 변경하여 배아를 얻었습니다. 이러한 디지털 배아는 가상 3D 객체로 렌더링할 수 있으며, 이후 표준 상용 3D 프린터 또는 프로토타이퍼를 사용하여 햅틱 객체로 출력함으로써 추론으로서의 시각적 지각, 특히 베이지안 추론(Bayesian inference)을 연구하는 데 활용할 수 있습니다. 디지털 배아는 사전 확률(priors) 및 가능도(likelihoods)와 같이 제어 가능한 파라미터를 통해 새로운 범주를 생성하는 데 매우 유용한 도구입니다.이 영상을 시청한 후에는 귀하의 특정 실험에 적합한 디지털 배아 세트를 생성하는 방법에 대해 충분히 이해하게 될 것입니다. 서로 다른 수준의 가변성과 복잡성을 가진 개별 객체나 전체 카테고리를 모두 쉽게 생성할 수 있습니다. 이렇게 생성된 이미지는 객체 인식, 범주화, 범주 학습 및 기타 다양한 실험에 활용될 수 있습니다.

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

Research

연구

JoVE Journal

Neuroscience

신경과학

인간 초상권 초자연적 인 밸리 가설 &#39;차원의 인식 및 분류 처리 : 어떤 방법 론적 문제

3~4개월에서, 인간과 비인간 영장류 발성을 듣고 유아 '인지를 향상; 6개월에 의해, 인간 발성이인지 적 장점을 발휘. 우리는 밖으로 조정에인지하고있는 링크 소리 유아 지정으로 경험의 강력한 형성 역할을 계시 노출 조작을 설명합니다.

6에서 7- 개월 된 유아 &#39;개체 분류에 대한 증거 : 경험은 튜닝에 언어와인지 사이의 링크 경음악입니다

여기는 유아 분류의 직접 테스트를 제공 하 고 초기 카테고리 학습에서 언어의 역할을 정의 하는 데 도움이 팸 테스트 패러다임에 대 한 프로토콜 선물이.

눈-추적 패러다임 유아 개체 분류에서 언어의 역할을 정의

우리는 엄격하게 제어 된 실험 조건에서 실제 개체와 동일한 개체의 일치하는 이미지를 제시하는 방법을 설명합니다. 방법은 의사 결정 작업의 맥락에서 설명하지만, 동일한 실제 접근 방식은 지각, 주의 및 기억과 같은 다른 인지 영역으로 확장 될 수 있습니다.

통제된 실험실 조건에서 실제 물체를 표시하는 방법

이 문서에서는 자기뇌전도(MEG)를 사용하여 개체 지각에 대한 사전 자극 소스 수준의 영향을 감지할 수 있는 실험을 설정하는 방법을 설명합니다. 자극 재료, 실험 설계, MEG 기록 및 데이터 분석을 다룹니다.

자기뇌전도를 통해 물체 지각에 대한 사전 자극 소스 수준 효과 감지

이 프로토콜은 많은 양의 유사성 판단과 그에 수반되는 분석 워크 플로우를 얻기 위해 실험적 정신 물리학 패러다임을 제시합니다. 패러다임은 컨텍스트 효과를 조사하고 적어도 다섯 차원의 유클리드 공간의 관점에서 유사성 데이터의 모델링을 가능하게합니다.

유사성 판단의 수집과 분석을위한 정신 물리학 패러다임

여기 방법 C. 엘레간스 연관 학습과 단기 및 장기 연관 메모리를 테스트하기 위해 설명합니다. 이러한 인구 assays은 휘발성 odorants 향해 chemotax에 웜 기능을 채용하고 chemoattractant butanone과 함께 음식을 페어링에 긍정적인 연관 관계를 형성하고 있습니다. 에어컨 기간의 수를 늘리면 장기 기억을 유도.

C. 엘레간스 긍정적인 Butanone 학습, 단기 및 장기 연관 메모리 Assays

ChR2을 표현 성인에서 태어난 뉴런은 후각 신경 회로의 기능들에 대한 그들의 기여를 검토하기 위해 슬라이스 electrophysiological 준비로 조작할 수 있습니다.

뉴런의 사진 자극에 저렴한 LED 배열을 사용하여

후각 망울의 성인에서 태어난 뉴런은 optogenetically Channelrhodopsin2 - 표현 이식 미니어처와 함께 주동이의 철새 스트림과 만성 photostimulation에서 lentiviral 주사를 LED를 사용하여 조절할 수 있습니다.

만성에 대한 성인 태어나 강한 뉴런의 선택 바이러스성 전달 생체내에 Optogenetic의 자극

인류가 3 차원에 서로를 탐색하는 방법에 대한 통찰력을 얻을 수있는 효율적인 방법이 설명되어 있습니다. 방법은 기존 시뮬레이터에 의해 얻기 어려운 방법으로 관찰 대상을 이동 가능한 모션 시뮬레이터의 활용합니다. 결과는 수직 운동이 과대 평가하는 동안 수평면의 움직임이, 과소 평가되었는지 확인합니다.

MPI Cyber​​Motion 시뮬레이터 : 가로, 세로, 높이로 Multisensory 경로 통합을 조사할 소설 모션 시뮬레이터의 구현

학습하세요 가상 형태발생과 계통발생을 이용해 자연스러운 3D 객체와 카테고리를 생성하는 방법을. 시각 및 촉각 지각 연구와 지각 학습에 활용할 수 있는 이 기술은 재활 훈련과 기계 시각에도 응용 가능합니다.

지각과 지각 학습 유학을위한 객체와 객체 카테고리 만들기

더 많은 동영상 탐색