Name: Objecten maken en Object Categorieën voor het bestuderen van perceptie en perceptueel leren (Video) | JoVE Journal
Uploaded: 2012-11-02T15:00:00.000+00:00
Duration: 14 min 38 s
Description: Leer virtuele morfogenese en fylogenese voor perceptieonderzoek met digitale embryo-objecten. Deze methoden creëren natuurlijke 3D-vormen met meetbare variaties voor visueel en haptisch onderzoek.

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

Dit werk werd mede ondersteund door de US Army Research Laboratory en het Amerikaanse leger Bureau Onderzoek subsidie ​​W911NF1110105 en NSF subsidie ​​IOS-1147097to Jay Hegde. Ook is steun verleend door een pilot subsidie ​​aan Jay Hegde van de Vision Discovery Institute van de Georgia Health Sciences University. Daniel Kersten werd ondersteund door subsidies ONR N00014-05-1-0124 en NIH R01 EY015261 en deels door WCU (World Class University) programma wordt gefinancierd door het Ministerie van Onderwijs, Wetenschap en Technologie door de National Research Foundation Korea (R31-10008 ). Karin Hauffen werd gesteund door de Undergraduate Research stageprogramma (URAP) van het Amerikaanse leger.

1. Het creëren van Naturalistic Virtual 3-D objecten met behulp van VM <ol><li> Om digitale embryo's maken, gebruikt u de Digital Embryo Workshop (DEW, zie tabel 1). Elke run genereert een embryo 14, waarvan de vorm is uniek voor een bepaalde set instellingen (of "genotype") gebruikt voor de run gegeven (figuur 1). De 'cellen van het embryo worden weergegeven als driehoeken 14. <ol><li> Draaien zoals vaak als nodig om het gewenste aantal embryo genereren. </li><li> Als complexere vormen gewenst, het aantal cycli van groei, dat wil zeggen het aantal keren dat de cellen van het embryo zal verdelen. Merk op dat dit ook zal vertragen het programma. Indien het noodzakelijk is om virtuele objecten dan digitale embryo's, commercieel verkrijgbaar 3-D modellen gereedschappen of virtuele objecten verkrijgen van commerciële leveranciers (tabel 1). </li></ol></li><li> Het is over het algemeen aan te raden om op te slaan de virtuele objects in een gebruikte bestandsformaat, zoals OBJ, zodat de voorwerpen gemakkelijk kunnen worden ingevoerd in een commerciële 3-D modellen toolkit. Te dien einde, de DEW schrijft objecten in OBJ-structuur. </li><li> Visuele stimuli kunnen worden gegenereerd met behulp van een of meer digitale embryo met een 3-D modellering en rendering milieu (tabel 1). Gebruik standaard grafische bewerkingen, zoals het variëren van de oriëntatie, grootte, verlichting, oppervlaktestructuur en de achtergrond van de gewenste prikkels te creëren (zie figuur 2). </li></ol> 2. Het creëren van Naturalistic Object Categorieën behulp van VP <ol><li> Om object categorieën genereren, het genereren van nakomelingen (of 'kinderen') van de gegeven voorouder (of 'ouder') object met behulp van een gewenste combinatie van de processen in stap 1.1 hierboven (Figuur 3) 9,10,12,13. <ol><li> Sommige methoden die hieronder worden beschreven voor het maken van vloeiende vorm variaties, zoals morphing of hoofdcomponenten (zie stap 3 en 4 hieronder), werk better als alle ingangsobjecten hetzelfde aantal cellen als er een-op-een correspondentie tussen de hoekpunten van de objecten. Voor het maken van voorwerpen, die alleen VM processen die niet verandert het aantal cellen en de een-op-een relatie tussen de hoekpunten van voorwerpen te behouden (zie bijvoorbeeld generaties G G 2 tot 3 in figuur 3). Bijvoorbeeld celdeling en geprogrammeerde celdood verandert het aantal cellen en het veel moeilijker (maar niet onmogelijk 17,18) een-op-een correspondentie tussen de hoekpunten van een gegeven paar objecten te bepalen. Merk op dat de processen die het aantal cellen veranderen in een bepaald object ook de vorm complexiteit wijzigen. In het algemeen, hoe groter het aantal cellen, hoe groter de complexiteit van de vorm object en gladder het oppervlak. </li><li> Eventueel virtuele objecten dan digitale embryo's kunnen worden gebruikt als input voor VP (figuur 4). </li></ol></li><li> De objecten binnen een categorie kan verder te worden gekozen dat een bepaalde verdeling van functies 19 bereiken. Zo kan men selectief elimineren middelgrote voorwerpen van een bepaalde categorie om een ​​bimodale verdeling van objectgrootte genereren. </li><li> Er is geen enkele methode die universeel optimaal is voor het meten van de beschikbare vorm informatie voor alle categorieën, noch is er een methode die optimaal is voor het categoriseren van alle objecten 20-22. Zo moet de experimentor kiezen deze methoden op basis van de categorieën en computationele doelen bij de hand 20-22. Stap 4 beschrijft een algemeen gebruikte werkwijze voor het manipuleren van verschillende aspecten van de beschikbare vorminformatie. </li><li> De gelijkenis tussen een gegeven paar categorieën objectief kan worden gemeten met behulp van beschikbare fylogenetische methoden 23,24. Bijvoorbeeld de verticale (of "evolutionaire) afstand tussen een gegeven paar categorieën, zoals gemeten door hiërarchische clustering methoden in de R statistische toolkit, is een objectieve maat van de categorie gelijkenis 25,26. </li></ol> 3. Extra methoden voor het maken Vorm Variatie: Digitale Morphing <ol><li> Aangezien elk paar voorwerpen zodat elk hoekpunt van een object komt overeen met een hoekpunt van het andere object (. Ie voorwerpen met een-op-een correspondentie tussen vertices), morphing is eenvoudig 17,18,27-29: In dit geval worden glad variaties (of "morphs") tussen de twee objecten van soepel interpoleren tussen de overeenkomstige hoekpunten en normale (Figuur 5). Afhankelijk van het paar gekozen objecten, zal morphing leiden tot nieuwe categorieën of meer kinderen binnen een categorie. <ol><li> De objecten in figuur 5 werden gemaakt met lineaire morphing 27-29. De objecten kunnen worden omgevormd (of kromgetrokken) door een breed scala van andere beschikbare technieken vervorming 17,18. </li></ol></li><li> Om een ​​gewenste verdeling van morphed vormen te maken, dus kies de interpolatie punten. </li></ol> 4. Extra methoden voor het maken Vorm Variatie: Principale Componenten <ol><li> Om hoofdbestanddelen gebruiken vormvariaties genereren moet men eerst bepalen de hoofdcomponenten 15. Belangrijkste componenten zijn specifiek voor de gegeven reeks voorwerpen voor het bepalen ze 26. Voor goede resultaten, ten minste 30 objecten met een-op-een correspondentie tussen hoekpunten 26. </li><li> Genereer een gemiddelde object een gewenste set n ingangsobjecten, door afzonderlijke middelen van de coördinaten en de normaal van elk hoekpunt voor alle objecten. Dus de x coördinaat van een bepaald hoekpunt van k moet het gemiddelde van de x-coördinaten van vertex k van n voorwerpen, enzovoort. </li><li> Gebruik de Matlab functie princompnaar belangrijkste componenten van de n objecten te bepalen. Dit zal n-1 niet nul eigenvectoren, tezamen met de bijbehorende n-1 eigenwaarden 26. </li><li> Als u een nieuw object te genereren Een j van een gegeven belangrijkste component P i, vermenigvuldigen P i door de bijbehorende eigenwaarde λ i en een gewenste gewicht w j en toevoegen aan het gemiddelde object: A j = j + w λ i P i </li><li> Elke unieke w j zal een uniek object. Door glad verlopende w, kan een te maken gladde vorm variaties langs een bepaalde hoofdcomponenten. </li><li> Om vormvariaties langs een onafhankelijke vorm dimensie te creëren, herhaal dan stap 4,4 met behulp van een andere hoofdcomponenten. </li><li> Om een gewenste verdeling van vormen langs een bepaalde belangrijkste component, gebruikt u de gewenste verdeling van de w. &lt;/ Li&gt; </li><li> Een multi-dimensionaal rooster vormen maken een set van gewichten voor elke verschillende hoofdbestanddelen: <img alt="Vergelijking 2" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" data-altupdatedat="1787634011000" data-alt="Vergelijking 2"></li></ol> 5. Het creëren van Haptic versies van 3-D objecten <ol><li> 'Print-out' 3-D objecten met behulp van een 3-D Prototyper (of 3-D 'printer'). Pas indien nodig het object de grootte en glad van het object oppervlak voordat u gaat afdrukken. </li></ol> 6. Een voorbeeld Toepassing: Bayesiaans leren van Image Categorie <ol><li> Een belangrijke taak in de visuele verwerking wordt het afleiden van de categorie waartoe een gegeven waargenomen object behoort. Hoewel het exacte mechanisme van deze gevolgtrekking niet bekend is, is er zowel computational en fysiologische gegevens 9,12,13,30-32 dat het gaat met de informatie over bekende kenmerken van het object in de gegeven beeld aan de categorie van het object afgeleid. Hier zullen we ILLUSTRAte hoe dit inferentiële proces kan werken in een Bayesiaans kader, en hoe digitale embryo's kunnen nuttig zijn voor onderzoek zijn op dit gebied. </li><li> Voor de eenvoud gaan we ervan uit dat de indeling taak binair is en het gaat om onderscheidende categorie K van categorie L (Figuur 3). Laat C het categorievariabele. We zullen concluderen dat C = K of C = L naargelang de waargenomen beeld dat ik behoort tot categorie K of L. Een typische aanpak van de categorisering betreft: <ol><li> Berekenen de kans dat de categorie K gegeven in de afbeelding, aangeduid p (C = K | I); </li><li> Berekenen de kans dat de categorie L verstrekte gegevens in het beeld aangeduid p (C = L | I) en </li><li> Het kiezen van de categorie met de hoogste waarschijnlijkheid. </li></ol></li><li> Vervolgens gaan we ervan uit voor eenvouddat er precies een binaire functie F. Deze functie kan ofwel aanwezig in het beeld (aangeduid F = 1) of afwezig het beeld (aangeduid F = 0). Dit voorbeeld zal de "informatieve fragment 'feature getoond in figuur 8. Informatieve fragmenten werden eerst beschreven door Ullman en collega's 33. In dit geval zullen we de afbeelding template getoond in figuur 8 als functie en een drempelwaarde van 0,69. Om te bepalen of deze functie aanwezig is in een bepaald beeld (zeg, de meest rechtse afbeelding in rij G3 in figuur 3), zullen we gebruik maken van de volgende stappen uit: <ol><li> Schuif deze template over alle mogelijke locaties in het beeld en berekenen, op elke plaats van de absolute waarde van genormaliseerde kruiscorrelatie tussen de mal en de onderliggende subafbeelding. </li><li> Selecteer de afbeelding locatie met de hoogste waarde (0,60 in het onderhavige geval). </li><li> Als deze waarde boven de drempel sluitendat de functie aanwezig is, anders concluderen dat het afwezig is. In ons geval, aangezien de hoogste correlatie 0,60 onder de drempel van 0,69, concluderen we dat de functie is afwezig in dit beeld. </li><li> De grondgedachte van gebruik van dergelijke kenmerken, en de mechanismen van het selecteren functies en het bepalen van de drempels buiten het bereik van dit rapport, maar worden in detail beschreven in refs. 33, 30. </li></ol></li><li> In het kader van feature-based inference nemen we aan dat alle informatie de toeschouwer van het beeld in de waarde van deze functie, i. e, dat p (C | I). = p (C | F). Daarom wordt de taak die om de waarde van F in de gegeven afbeelding (of afwezig), computing p (C = K | F) en p (C = L | F) F die waarde en de categorie te selecteren met de hogere probabiliteit. </li><li> In de Bayesiaanse kader, </li></ol><img alt="Vergelijking 3" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" data-altupdatedat="1787634011000" data-alt="Vergelijking 3"> Daarom <img alt="Vergelijking 4" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" data-altupdatedat="1787634011000" data-alt="vergelijking 4"> en <img alt="Vergelijking 5" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" data-altupdatedat="1787634011000" data-alt="Vergelijking 5"> Merk op dat de noemer van de twee vergelijkingen gelijk is. Derhalve vergelijken p (C = K | F) en p (C = L | F), is het niet nodig het berekenen van de noemer, maar veeleer voldoende is om de hoeveelheden te berekenen p (C = K | F) α p (C = K) p (F | C = K) en p (C = L | F) α p (C = L) p (F | = C L) These worden ook wel 'unnormalized waarschijnlijkheden'. De uitdrukking p (C) wordt genoemd "voorafgaande" en de term p (F | C) wordt 'waarschijnlijkheid'. <ol start="6"><li> Voor de eenvoud gaan we ervan uit een 'plat' voor: p (C = K) = p (C = L) = 0,5. </li><li> De taak is nu te berekenen p (F | C), de waarschijnlijkheid dat een bepaalde functie waarde in een beeld van een bepaalde categorie C. <ol><li> We zullen gebruik maken van de zes beelden van categorie L (figuur 3) als een voorbeeld voor p te berekenen (F = 1 | C = L), de kans dat de functie aanwezig is in een beeld van de categorie L. </li><li> Om p te berekenen (F = 1 | C = L), eerst alle training beelden die behoren tot L. Ook deze getoond in figuur 3. </li><li> Voor elk beeld, bepalen of de functie is 1 (aanwezig) Of 0 (afwezig), zoals beschreven in (6.3.1) - (6.3.3). In ons geval voor de zes afbeeldingen in Figuur 3, zijn de waarden: [0, 0, 1, 0, 1, 0]. </li><li> Bereken de fractie van beelden waarin de functie is 1. In ons geval is 2/6 = 0,33. </li><li> Daarom p (F = 1 | C = L) = 0,33. Merk op dat een nauwkeurige schatting te verkrijgen, moet men gebruik ten minste 30 beelden per klasse. </li><li> Op soortgelijke wijze kunnen we berekenen dat 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> Gezien deze waarden, kan gevolgtrekking worden uitgevoerd. Stel dat we een nieuw beeld (Figuur 9) gegeven, en de taak om vast te stellen zijn categorie label. Dit wordt als volgt uitgevoerd: <ol><li> We bepalen of de functie F aanwezig is in het beeld, zoals beschreven in (6.3.1) - (6.3.3). In ons geval de featuur aanwezig is, dus F = 1. </li><li> Met de vergelijkingen (1) en (2), en de waarden berekend in (6.7.5) - (6.7.6), kunnen we berekenen dat p (C = K | F = 1) = 0,42 en p (C = L | F = 1) = 0,17. </li><li> Gezien deze informatie, is het logisch om te concluderen dat het beeld is van categorie K, met een relatief lage vertrouwen. </li></ol></li><li> Het kan interessant en nuttig om een ​​dergelijke aanpak in een biologisch systeem (zeg, psychofysisch) te testen. In dit geval kan gedrag voorspellingen worden gemaakt en vergeleken met de computationele resultaten zoals die verkregen in (6.8.2). Om nauwkeurige voorspellingen te maken, een goede schatting van p (F | C) nodig. Dergelijke schattingen kunnen echter moeilijk te verkrijgen voor bekende voorwerpen. De reden is dat een subject schatting van p (F | C) niet direct waarneembaar en is het uiterst moeilijk te berekenen vanaf het onderwerpEerdere blootstelling 's aan natuurlijke beelden is oncontroleerbaar en onbekend. Als daarentegen digitale embryo's worden gebruikt voor de experimenten, dan is het mogelijk om nauwkeurig en waaruit embryo's embryo categorieën het onderwerp blootgesteld. Dit maakt het gemakkelijk om de hoeveelheid rente te berekenen van exact dezelfde gegevens het voorwerp werd blootgesteld. Het feit dat de embryo's het uiterlijk van naturalistisch is is nuttig, want het maakt het waarschijnlijk dat het onderwerp wordt dezelfde indeling strategie gebruikt als met natuurlijke categorieën. </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>

Geen belangenconflicten verklaard.

Nut van VM en VP in Cognitive Science Research We hebben eerder beschreven het nut van VM en VP in detail L9 ,10,12-14. In het kort, VM, in het bijzonder de digitale embryo methodologie, is nuttig omdat het een principiële en flexibele methode voor het creëren van nieuwe, maar naturalistische 3-D objecten 14. Ook VP biedt een principiële manier van het creëren van naturalistische categorieën 9,10,12,13. Het is vermeldenswaard dat object categorieën gegenereerd door VP beschikken over diverse voorzieningen met object categorieën in de natuur, waaronder het feit dat de categorieën hebben de neiging om hiërarchische zijn in de natuur, en de functie variaties binnen en tussen categorieën ontstaan ​​onafhankelijk van de experimentator en de algoritmes voor het classificeren van ze 39. Huidige beperkingen en toekomstige richtingen Drie huidige beperkingen van ons protocol en de aanwijzingen voor de toekomstige werkzaamheden ze suggererenzijn bijzonder opmerkelijk: Ten eerste, zowel VM en VP simuleren biologische processen. Hoewel we dat niet-biologische virtuele objecten kunnen worden gebruikt als substraten voor deze processen de onderliggende processen nog biologisch gemotiveerd. Echter, natuurlijke objecten - biologische en niet-biologische gelijk - ondergaan vormveranderingen als gevolg van niet-biologische krachten. Zo kan rotsen vormverandering door geologische processen zoals erosie of sedimentatie. Nieuwe categorieën van rock kan voortvloeien uit andere dergelijke geologische processen. Het moet betrekkelijk eenvoudig om deze processen te nemen in het repertoire van beschikbare vormverandering algoritmen. De tweede belangrijke beperking van ons protocol is dat de huidige repertoire van dynamische vormveranderingen vrij beperkt. Het is wenselijk om een ​​grotere reeks van vormveranderingen zoals biologische beweging of beweging als gevolg van uitwendige krachten zoals wind, water of zwaartekracht nemen. We verwachten dat het Will vrij makkelijk kunnen brengen aan de bekende computeranimatie algoritmes dragen aan dergelijke dynamische vorm veranderingen door te voeren. De derde grote beperking van ons protocol is dat VM momenteel niet bevatten vele andere bekende morfogenetische processen zoals, met name, gastrulatie 36. Het evenmin te nemen enkele bekende beperkingen zoals dat morfogenese in planten volledig wordt gemedieerd door groei, met weinig of geen celbeweging mogelijk, omdat de celwanden 36. Zo ook maakt VP geen andere bekende fylogenetische processen zoals genetische drift 40. Het aanpakken van deze beperkingen zou enorm helpen vergemakkelijken van het gebruik van ons protocol in ontwikkeling, ecologische en evolutionaire simulaties.

<table border="1"><tbody><tr><td> Naam van de toolkit / apparatuur </td><td> Bedrijf / Auteur </td><td> Catalogus # </td><td> Reacties </td></tr><tr><td> Digital Embryo Workshop (DEW) </td><td> Mark Brady en Dan Gu </td><td></td><td> Deze gebruiksvriendelijke, menugestuurde tool kan worden gedownload kosteloos downloaden 1 uit <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> . Op dit moment alleen beschikbaar voor Windows. </td></tr><tr><td> Digitale embryo tools voor Cygwin </td><td> Jay Hegde en Karin Hauffen </td><td></td><td> Dit is een losse verzameling van niet-zo-gebruiksvriendelijke programma&#39;s. Ze zijn ontworpen om te worden uitgevoerd vanaf de command-line-interface van de Cygwin Linux emulator voor Windows. Deze programma&#39;s kunnen worden gedownload als Download 2 van <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos. De Cygwin-interface zelf kan gratis gedownload worden van <a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> . </td></tr><tr><td> Autodesk 3ds Max, Montreal, Quebec, Canada </td><td> Autodesk Media en Entertainment </td><td> 3DS Max </td><td> Dit is een 3-D modellering, animatie en rendering toolkit met een flexibele plug-in architectuur en een ingebouwde scripttaal. Beschikbaar voor de meeste van de huidige besturingssystemen. </td></tr><tr><td> MATLAB </td><td> Mathworks Inc, Natick, MA, Verenigde Staten </td><td> MATLAB </td><td> Dit is een numerieke computeromgeving en programmeertaal met vele handige add-on functies. Beschikbaar voor de meeste van de huidige besturingssystemen. </td></tr><tr><td> R statistische toolkit </td><td> R Project for Statistical Computing </td><td> R </td><td> Kan worden gedownload kosteloos <a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /. Beschikbaar voor de meeste van de huidige besturingssystemen. </td></tr><tr><td> OpenGL </td><td> Khronos Group </td><td> OpenGL </td><td> Deze cross-taal, cross-platform grafische toolkit te downloaden gratis bij <a href="http://www.opengl.org" target="_blank">www.opengl.org</a> . </td></tr><tr><td> V-Flash Personal Printer </td><td> 3D Systems Inc, Rock Hill, SC, Verenigde Staten </td><td> V-Flash </td><td> Dit is een goede waarde voor alle 3-D grafische toepassingen in dit rapport beschreven. De gedrukte materialen zijn ook vended door 3D Systems, Inc Minder dure modellen zijn verkrijgbaar in open source vorm van RepRap (rapmanusa.com) en MakerGear. Duurdere modellen (&gt; $ 30 K) zijn verkrijgbaar bij Objet Geometrieën, 3DS-systemen, Z-Corp, Dimension Printing enz. </td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquid Inc, New York, LA </td><td> (Diverse objecten) </td><td> Verschillende virtuele 3-D objecten kunnen worden gedownload van deze site gratis of voor een vergoeding. </td></tr><tr><td></td><td></td><td></td><td> Tabel 1. Tabel van specifieke Toolkits en apparatuur. </td></tr></tbody></table>

objecten maken en object categorieën voor het bestuderen van perceptie en perceptueel leren

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Om kwantitatief object perceptie te bestuderen, zij het ​​waarneming door biologische systemen of door machines, moet men objecten en object categorieën te maken met precies definieerbare, bij voorkeur naturalistische, eigenschappen 1. Verder is het voor studies op perceptuele leren, is het nuttig om nieuwe objecten en object categorieën (of object klassen) maakt met zulke eigenschappen 2. Veel innovatieve en nuttige technieken die momenteel bestaan ​​voor het creëren van nieuwe objecten en object categorieën 3-6 (zie ook refs. 7,8). Echter algemeen de bestaande methoden drie grote categorieën tekortkomingen. Eerst worden vormvariaties algemeen opgelegd door de experimentator 5,9,10 en kan daarom afwijken van de natuurlijke variabiliteit in categorieën en geoptimaliseerd voor een bepaald algoritme. Het zou wenselijk zijn om de variaties zich buiten de Externally opgelegd beperkingen. Ten tweede, de bestaande methoden hebben moeite het vastleggen van de vorm complexiteit van natuurlijke objecten 11-13. Als het doel is het bestuderen object natuurlijke waarneming, is het wenselijk dat voorwerpen en objectcategorieën om naturalistic, om te voorkomen mogelijk verwart en speciale gevallen. Ten derde is meestal moeilijk kwantitatief te meten de beschikbare informatie in de stimuli van conventionele methoden. Het zou wenselijk zijn om objecten en objectcategorieën creëren waarbij de beschikbare informatie nauwkeurig kan worden gemeten en eventueel systematisch gemanipuleerd (of &quot;afgestemd&quot;). Dit maakt het mogelijk om het onderliggende object herkenning taken te formuleren in kwantitatieve termen. Hier beschrijven we een set van algoritmen, of methoden, die alle drie de bovengenoemde criteria voldoen. Virtual morfogenese (VM) creëert nieuwe, naturalistische virtuele 3-D objecten genaamd &#39;digitale embryo&#39;s&#39; doorsimuleren het biologische proces van embryogenese 14. Virtual fylogenese (VP) creëert nieuwe, naturalistische object categorieën door simulatie van het evolutionaire proces van natuurlijke selectie 9,12,13. Objecten en object categorieën die door deze simulaties kan verder worden gemanipuleerd door verschillende morphing methoden om systematische variaties van vormkenmerken 15,16 genereren. De VP en morphing methoden kunnen ook worden toegepast in beginsel nieuwe virtuele objecten dan digitale embryo&#39;s of virtuele versies van echte objecten 9,13. Virtuele objecten die op deze manier kan worden weergegeven als visuele beelden met behulp van een conventionele grafische toolkit, met de gewenste manipulaties van oppervlakte textuur, verlichting, grootte, standpunt en achtergrond. De virtuele objecten kunnen ook worden &#39;geprint&#39; als haptische objecten met behulp van een conventionele 3-D Prototyper. We beschrijven ook een aantal implementaties van deze algoritmes te illus helpentrate het mogelijke nut van de algoritmen. Het is belangrijk om de algoritmen onderscheiden van hun implementaties. De implementaties zijn demonstraties uitsluitend aangeboden als een &#39;proof of principle&#39; van de onderliggende algoritmen. Het is belangrijk op te merken dat in het algemeen vaak een implementatie van een computer-algoritme beperkingen die het algoritme zelf niet het geval is. Samen vormen deze methoden vormen een set van krachtige en flexibele tools voor het bestuderen van object herkenning en perceptuele leren door biologische en computationele systemen gelijk. Met geschikte toestellen, kunnen deze methoden ook nuttig in de studie van morfogenese en fylogenese.

VM kan worden gebruikt om een ​​vrijwel onbeperkte hoeveelheid nieuwe 3D-vormen te genereren. Sommige voorbeeld digitale embryo gegenereerd met de VM algoritme getoond in het onderste paneel van figuur 1. Elk van deze 16 embryo's werden gegenereerd met de 'growEmbryos.exe' programma in de Digital embryo instrumenten Cygwin (zie tabel 1) voor 40 groei cycli. Alle andere groei parameters werden intern ingesteld door het programma. De meeste van deze parameters waren constant (dat wil zeggen identiek uit een embryo naar het volgende). Een paar parameters zoals de locatie en de kracht van morfogen bronnen, waren willekeurig parameters intern ingesteld door het programma onafhankelijk voor elke run. De vorm verschillen tussen deze 16 embryo ontstaan ​​uitsluitend als gevolg van de variaties in deze willekeurige parameters. Enkele voorbeelden van oppervlaktetexturen 34,35 met een willekeurig gekozen texturen worden getoond in Figuur 2A. Visuele scènes van eenrbitrary complexiteit kan worden gemaakt met een commercieel beschikbare 3-D modellering en rendering milieu, zoals getoond in figuur 2B. Een representatieve 'stamboom' gegenereerd door middel van digitale VP embryo wordt getoond in Figuur 3. Vergelijkbare bomen kunnen ook worden geconstrueerd met andere voorwerpen dan digitale embryo, zoals weergegeven in figuur 4. Merk op dat in beide gevallen ronduit objecten die een gemeenschappelijke voorouder delen vormen een categorie, hoewel de experimentator kan ook kiezen voor een categorie definiëren welke andere reeks voorwerpen. Opgemerkt uit figuur 4 dat de huidige uitvoering van de VM en VP algoritmen geeft meestal relatief gladde, gekromde oppervlakken, in tegenstelling tot gekarteld of vlakke voorwerpen. Het is ook vermeldenswaard dat dit vermoedelijk is de beperking van onze implementatie van deze algoritmen en niet de algoritmes zelf kan produceren omdat biolological processen objectiefts met platte oppervlakken en rafelige lijnen (bijvoorbeeld., roos blad). Figuren 5 en 6 tonen de typische resultaten van twee methoden die kunnen worden gebruikt in aanvulling op of in plaats van, VP voor het maken principiële variaties in vorm en object object categorieën. Het bovenste deel van Figuur 7 visuele weergaven van twee digitale embryo en de onderkant van Figuur 7 illustreert de overeenkomstige afdrukken die door een commercieel verkrijgbare 3-D Prototyper. Figuren 8 en 9 illustreren de procedures beschreven in hoofdstuk 6 voor het gebruik van beeldfragmenten op een gegeven visueel object te categoriseren. <img alt="Figuur 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="Figuur 1"> Figuur 1. Virtual morfogenese. "14. Digital embryo's kunnen worden gegenereerd door een of meer simuleren van een aantal belangrijke biologische processen embryogenese: morfogeen-gemedieerde celdeling, celgroei, beweging en geprogrammeerde celdood 7,8,36,37. Elke run begint met een icosaëder (in het bovenste paneel), en genereert een unieke embryo, afhankelijk van de parameterinstellingen VM (of "genotype") bij deze embryo. Dus de 16 embryo's in het onderste paneel verschillende vormen hebben omdat ze allemaal verschillende genotypen. Merk op dat eenvoudiger en meer complexe vormen worden gegenereerd maken (bijvoorbeeld, optimaal neuronen te stimuleren op een bepaald niveau van de visuele hiërarchie) door manipulatie van de genotype van het embryo. Alle voornoemde embryogenetic processen behalve geprogrammeerde celdood werden gesimuleerd in het genereren van de embryo's zijn. Gesimuleerde geprogrammeerde celdood is vooralnuttig voor het maken gerichte inkepingen (niet getoond). <img alt="Figuur 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="Figuur 2"> Figuur 2. Het creëren van visuele stimuli met behulp van digitale embryo's. Zoals elke virtuele 3-D object, digitale embryo's kunnen grafisch worden gemanipuleerd om visuele scènes van willekeurige complexiteit met behulp van een standaard 3-D grafische toolkit te creëren. Deze figuur illustreert een aantal algemene manipulaties. (A) Dezelfde digitale embryo is gestructureerd met behulp van vele verschillende texturen, en verlicht door een onzichtbare lichtbron links bovenaan. (B) Een gecamoufleerde scène wordt gemaakt door de grootte en de heroriëntatie van de digitale embryo en digitaal te plaatsen tegen dezelfde achtergrond was het geweven met. De digitale embryo is te vinden in 'het zicht' in het kwadrant rechtsonder. Voor meer voorbeelden van visuele stimuli creërenated het gebruik van digitale embryo's, zie refs. 9,10,12-14,38. <img alt="Figuur 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="Figuur 3"> Figuur 3. Het creëren van digitale embryo categorieën met behulp van VP. De VP-algoritme emuleert de biologische evolutie, dat in beide gevallen, nieuwe objecten en object categorieën naar voren als erfelijke variaties accumuleren selectief. Bij elke generatie G i, geselecteerd embryo's zich voortplanten, wat leidt tot generatie G i +1. Het nageslacht nemen de vormkenmerken van de ouders, maar bouwt vormvariaties eigen (zoals bepaald door kleine variaties in hun genotype) in hun ontwikkeling. Deze figuur toont een 'stamboom' van drie generaties van nakomelingen vanaf een enkele gemeenschappelijke voorouder, een icosaëder. Merk op dat in dit geval de vorm van complexiteit toe aan de icosahedron generatorion G 1, maar niet van G 1 verder. Dit komt omdat toename in aantal cellen (ie. Celdeling) liet de icosahedron op generatie G 1, maar niet van G 1 verder. In het algemeen celdeling meestal vorm complexiteit verhogen, terwijl andere morfogenetische processen zoals celbeweging en celgroei veranderen van vorm zonder de complexiteit van het vorm. <img alt="Figuur 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="Figuur 4"> Figuur 4. VP met behulp van virtuele objecten anders dan digitale embryo's. Dit cijfer helpt illustreren het algemene beginsel dat virtuele objecten anders dan digitale embryo's kunnen worden gebruikt als input voor VP. De VP-algoritme in zijn huidige vorm kan werken op een virtuele 3-D object waarvan het oppervlak bestaat uitsluitend uit driehoeken. Generatie G 1 comprised van (van links naar rechts) een kalebas, diamant, gezichtsmasker, appel, rock, en cactussen. Merk op dat de objecten in generatie G 1 in deze figuur niet een gemeenschappelijke voorouder hebben, omdat VP niet nodig hebt. Objecten in G 2 en G 3 vertegenwoordigen de afstammelingen van de rots in G 1. Geen celdelingen mochten in elke generatie, zodat alle vormvariaties ontstaan ​​uitsluitend uit de beweging en / of groei van het individu 'cellen' van het opgegeven object. <img alt="Figuur 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="Figuur 5"> Figuur 5. Morphing met een vlotte variaties in vorm te maken. Morphing Daarbij neemt twee gegeven objecten (uiterst links en rechts embryo in deze figuur) en bepaling van de tussentijdse objecten (tussenliggende embryo's) door het interpoleren tussen de overeenkomstige hoekpunten van de twee aangewezend objecten. In het weergegeven geval zijn alle hoekpunten geïnterpoleerd met dezelfde scalaire factor, waardoor een lineaire morphing. Het is echter ook mogelijk de objecten morph niet-lineair (niet getoond). Morphing is rekenkundig duidelijk wanneer er een exacte een-op-een correspondentie tussen de hoekpunten van twee voorwerpen, zoals in het getoonde geval. Toch kan, in principe morph tussen twee willekeurige virtuele objecten ongeacht hun hoekpunten exact overeenkomen, hoewel er geen principiële unieke methode daarvoor 17,18. <img alt="Figuur 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="Figuur 6"> Figuur 6. Met behulp van principale componenten om vloeiende variaties in vorm te maken. (A) Gemiddelde embryo. Dit embryo is het rekenkundig gemiddelde van 400 embryo's (200 elk van categorie K en L inFiguur 3). Hoofdcomponenten werden berekend zoals beschreven in stap 4.3. Merk op dat hoofdcomponenten onderling onafhankelijke, abstracte vorm afmetingen van de 400 embryo's vertegenwoordigen (niet getoond) 25,26. 400 embryo's opleveren 399 niet-nul belangrijkste componenten 25,26, die samen goed zijn voor alle variantie, of de vorm informatie beschikbaar gezamenlijk in de embryo's. Volgens afspraak worden de belangrijkste componenten gerangschikt in de dalende volgorde van hun eigenwaarden, of het aandeel van de totale variantie verklaren ze 25,26. In dit geval, de eerste twee belangrijkste componenten van respectievelijk goed voor 73% en 19% van de vorm beschikbare informatie in de 400 embryo's. (B) Embryo's die verschillende gewichten (of beter gezegd, gewogen eigenwaarden) van Principal Component 1 vertegenwoordigen. De gewichten variëren van +2 (uiterst links) tot -2 (uiterst rechts) in gelijke stappen van -0,2. (C) Embryo's die verschillende gewichten van Opdrachtgever Compon vertegenwoordigenent 2. De gewichten ook gevarieerd van +2 (uiterst links) tot -2 (uiterst rechts) in gelijke stappen van -0,2. Merk op dat manipuleren hoofdcomponenten niet uitsluitend elk specifiek lichaamsdeel van de embryo manipuleren (bijv.. De vleugels van het embryo in het getoonde geval). Indien nodig, lichaamsdelen virtuele 3D-objecten kunnen worden gemanipuleerd in elke willekeurige gebruiker gedefinieerde wijze met de meeste in de handel verkrijgbare 3-D modelleeromgevingen (niet getoond). <img alt="Figuur 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="Figuur 7"> Figuur 7. Het creëren van haptische objecten. Virtual 3-D objecten kunnen worden 'geprint' als haptische objecten met behulp van een standaard, in de handel verkrijgbare 3-D 'printer' of Prototyper. Deze figuur toont digitale embryo weergegeven als visuele objecten (bovenste rij) of de overeenkomstige haptische objecten (onderste rij). De haptische objecten shown in deze figuur werden gedrukt op ongeveer 6 cm breed (schaal bar = 1 cm), hoewel de objecten kunnen worden afgedrukt op veel kleinere of grotere formaten. <img alt="Figuur 8" src="/files/ftp_upload/3358/3358fig8.jpg" data-altupdatedat="1787634011000" data-alt="Figuur 8"> Figuur 8. Een template voor een voorbeeld informatieve fragment. In dit voorbeeld is de template heeft een drempel van 0,69 gekoppeld. <img alt="Figuur 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="Figuur 9"> Figuur 9. Een nieuw beeld waarvoor de objectcategorie niet bekend en moet worden bepaald.

Wij beschrijven een nieuwe methodologie voor het creëren van naturalistische 3-D objecten en object categorieën met precies gedefinieerde functie variaties. We gebruiken simulaties van de biologische processen van morfogenese en de fylogenese om nieuwe, naturalistische virtuele 3-D objecten en object categorieën die vervolgens kan worden weergegeven als visuele beelden of haptische objecten te maken.

Objecten maken en Object Categorieën voor het bestuderen van perceptie en perceptueel leren

Om objectperceptie kwantitatief te bestuderen, of het nu gaat om perceptie door biologische systemen of door machines, is het noodzakelijk om objecten en object...

Deze procedure is erop gericht om objecten en objectcategorieën te creëren om te bestuderen hoe we objecten waarnemen en leren waarnemen via zicht en/of tast. Eerst wordt virtuele morfogenese of VM gebruikt om de processen van de vroege embryonale ontwikkeling te simuleren en nieuwe naturalistische virtuele 3D-objecten te creëren, genaamd digitale embryo's. Vervolgens worden met behulp van virtuele phylogenese of VP objectcategorieën gecreëerd met nauwkeurig gedefinieerde statistische eigenschappen op basis van het input-digitale embryo.Indien gewenst kan een principale componentenanalyse worden gebruikt om aanvullende vormvariaties te creëren tussen de virtuele objecten die zijn gegenereerd via virtuele morfogenese en virtuele fylogenese. De waarschijnlijkheid dat een bepaald object tot een specifieke categorie behoort, kan nauwkeurig worden berekend met behulp van kenmerkgebaseerde Bayesiaanse inferentie. Indien nodig kunnen haptische prints van de resulterende virtuele objecten worden gegenereerd met een 3D-printer.Elk van deze methoden zal later in meer detail worden geïllustreerd in vergelijking met bestaande methoden. Deze nieuwe benaderingen creëren naturalistische, maar nauwkeurig meetbare vormvariaties die ontstaan zonder dat er beperkingen door de onderzoeker hoeven te worden opgelegd. Ze bieden nieuwe instrumenten op het gebied van visuele en haptische perceptie, perceptueel leren en computervisie, en hebben potentiële toepassingen bij de rehabilitatie van diverse soorten visuele beperkingen via visueel-haptische crossmodale training.Interessant is dat deze methode ook kan worden toegepast om de processen van morfogenese en evolutie zelf te bestuderen. We kregen voor het eerst het idee voor deze methode toen we zochten naar manieren om naturalistische, maar nauwkeurig definieerbare visuele stimuli te genereren voor studies en computationele visie. In eerste instantie zouden personen die deze methode leerden mogelijk moeite hebben met de wiskundige en programmeerintensieve aspecten, dus deze visuele demonstratie zal illustreren hoe deze methode correct kan worden geïmplementeerd en gebruikt. Specificeer in de digitale embryo-workshop een set instellingen of een genotype om één enkel embryo of meerdere embryo's te genereren.Herhaal dit proces meerdere keren om via virtuele morfogenese complexere vormen te genereren. Verhoog het aantal groeicycli om te bepalen hoe vaak de cellen van het embryo zullen delen. De digitale embryo-workshop slaat elk embryo automatisch op als een OBJ-bestand, zodat u het embryo later kunt gebruiken met commerciële 3D-modelleringspakketten.Genereer de visuele stimuli door diverse standaard grafische parameters in te stellen, zoals oriëntatie, grootte, belichting, oppervlaktestructuur en achtergrond, om objectcategorieën te creëren. Maak afstammelingen van een stamobject op hiërarchische wijze. U kunt de vorm ook geleidelijk variëren middels morphing, waarbij de één-op-één correspondentie van de vertices tussen de objecten behouden blijft.Interessant is dat ook andere virtuele objecten dan digitale embryo's als input voor virtuele phy agenesis kunnen worden gebruikt. Selecteer objecten binnen een bepaalde categorie om een specifieke distributie van kenmerken te bereiken. Als u bijvoorbeeld twee categorieën wilt creëren die in grootte verschillen, kan men selectief middelgrote objecten elimineren om een bimodale distributie van objectgroottes te genereren.Meet nu objectief de gelijkenis tussen een gegeven paar categorieën met behulp van beschikbare fylogenetische methoden, zoals co-fonetische correlatie. Deze berekeningen kunnen worden uitgevoerd met algemeen beschikbare analysetoolkits zoals MATLAB of R. Voor elk gegeven paar objecten waarbij elk vertex van het ene object precies correspondeert met één vertex van het andere object, is morphing eenvoudig. Selecteer de interpolatiepunten en gebruik lineaire morphing tussen de twee objecten om vloeiend te interpoleren tussen de corresponderende vertices.Bepaal eerst de hoofdcomponenten als specifieke descriptoren van een gegeven set objecten. Hoofdcomponenten kunnen worden berekend met MATLAB of R; bereken het gemiddelde van de coördinaten van elk hoekpunt over alle N input-objecten om een gemiddeld object te genereren, vermenigvuldig elke component P met de bijbehorende eigenwaarde lambda en een gewenste weging wj, en voeg dit toe aan het gemiddelde object om een nieuw object te genereren. Varieer wj vervolgens geleidelijk om vloeiende vormvariaties te creëren langs een gegeven hoofdcomponent.Om een multidimensionaal raster van vormen te creëren, gebruikt u een set gewichten voor elk van verschillende hoofdonderdelen. Print 3D-objecten uit met een 3D-prototyper. Pas indien nodig de grootte van het object aan en maak het oppervlak van het object glad om de print te optimaliseren.Een belangrijke taak bij de visuele verwerking is het afleiden van de categorie waartoe een bepaald waargenomen object behoort. Digitale embryo's zijn nuttig, mede door gebruik te maken van informatie over bekende kenmerken van het object. Laten we bij het bestuderen van dit inferentieproces ervan uitgaan dat de categorisatietaak binair is.Stel dat er slechts twee mogelijke categorieën zijn en dat onze taak bestaat uit het onderscheiden van categorie K van categorie L; laat C de categorievariabele zijn, waarbij C gelijk is aan K of C gelijk is aan L, afhankelijk van of de waargenomen afbeelding I respectievelijk tot categorie K of L behoort. Ervan uitgaande dat er precies één binair kenmerk F is, dient de kans te worden berekend dat de categorie K is, gegeven de informatie in de afbeelding. Doe hetzelfde voor de kans dat de categorie L is, en kies de categorie met de hoogste kans.Begin bijvoorbeeld met dit informatieve fragmentkenmerk en een drempelwaarde van 0,69. De taak is om te bepalen of dit kenmerk aanwezig is in een gegeven afbeelding, zoals de meest rechtse afbeelding in weg G drie. Schuif eerst de template over alle mogelijke locaties in de afbeelding en bereken op elke locatie de absolute waarde van de genormaliseerde cross-correlatie tussen de template en de onderliggende subafbeelding.Select vervolgens de beeldlocatie met de hoogste waarde. Als deze waarde boven de drempelwaarde ligt, wordt geconcludeerd dat het kenmerk aanwezig is; anders wordt geconcludeerd dat het afwezig is. Binnen het kader van kenmerkgebaseerde inferentie gaan we ervan uit dat alle informatie die de waarnemer uit het beeld extraheert, besloten ligt in de waarde van dit kenmerk.Daarom bestaat de taak uit het bepalen van de waarde van F in de gegeven afbeelding, het berekenen van de waarschijnlijkheden voor die waarde F en het selecteren van de categorie met de hoogste waarschijnlijkheid. Dit is het Bayesiaanse raamwerk om alle relevante waarschijnlijkheden samen te voegen. Merk op dat de noemer in de twee vergelijkingen hetzelfde is, richt de aandacht daarom uitsluitend op de teller.Ga uit van een vlakke prior waarbij beide categorieën a priori even waarschijnlijk zijn. De taak is nu om de likelihood te berekenen: de kans op een bepaalde kenmerkwaarde in een afbeelding van een gegeven categorie C. Gebruik bijvoorbeeld de zes afbeeldingen van categorie L als voorbeelden om de kans te berekenen dat het kenmerk aanwezig is in een afbeelding van categorie L. Neem eerst alle trainingsafbeeldingen die tot L behoren; bepaal voor elke afbeelding of de kenmerkwaarde één is (het kenmerk is aanwezig in de afbeelding) of nul (het kenmerk is afwezig). Bereken vervolgens de fractie afbeeldingen waarin de kenmerkwaarde één is.Daarom is de waarschijnlijkheid dat het kenmerk aanwezig is in een afbeelding van categorie L 0,33; voor nauwkeurige schattingen moeten minstens 30 afbeeldingen per categorie worden gebruikt. In een typisch experiment zouden we de interne schatting van deze waarschijnlijkheid door het subject moeten weten. Let op hoe het gebruik van digitale embryo's dit bijzonder eenvoudig maakt.Aangezien we volledige controle hebben over de blootstelling van de proefpersoon aan digitale embryo's, kunnen we er zeker van zijn dat de intern door de proefpersoon berekende waarde consistent is met onze schatting en niet wordt beïnvloed door enige ongecontroleerde en onbekende eerdere ervaring. Bereken op soortgelijke wijze de waarschijnlijkheden van afwezigheid en aanwezigheid van de afbeelding in categorieën K en L. Gegeven deze waarden kan er een gevolgtrekking worden uitgevoerd om het categorielabel van deze nieuwe afbeelding te identificeren. Bepaal eerst of kenmerk F aanwezig is in de afbeelding met behulp van de eerder vastgestelde formules voor ongenormaliseerde waarschijnlijkheden en de zojuist berekende waarden; bereken vervolgens de waarschijnlijkheden van de aanwezigheid van categorieën K en L in de afbeelding. Deze gegevens geven aan dat de afbeelding uit categorie K komt. Hoewel met een relatief lage betrouwbaarheid, biedt virtuele morfogenese een onbeperkte aanvoer van nieuwe 3D-vormen.Hier worden digitale embryo's gegenereerd door belangrijke processen van biologische embryogenese te simuleren. Elke run begint met een icosaëder en genereert een uniek embryo. Op basis van de instellingen van de morfogenen kunnen de digitale embryo's grafisch worden gemanipuleerd om visuele scènes van willekeurige complexiteit te creëren met behulp van elke standaard grafische toolkit.Bijvoorbeeld kan hetzelfde digitale embryo anders worden getextureerd en naar wens worden belicht. Bovendien kunnen visuele scènes van willekeurige complexiteit, zoals deze scène met een digitaal embryo dat gecamoufleerd is tegen een vergelijkbaar getextureerde achtergrond, worden gecreëerd met behulp van een commercieel verkrijgbare 3D-modellerings- en renderomgeving. Het virtuele fylo-genesisalgoritme emuleert biologische evolutie.Het virtuele fylogenese-algoritme emuleert biologische evolutie. Nieuwe objecten en objectcategorieën ontstaan als erfelijke variaties die selectief accumuleren, maar die tijdens hun ontwikkeling eigen vormvariaties ontwikkelen. In dit specifieke voorbeeld produceert één gemeenschappelijke voorouder, het icosaëder, drie generaties nakomelingen.De vormcomplexiteit neemt toe van het icosaëder naar generatie G één omdat we toestaan dat het aantal cellen toeneemt, maar vanaf generatie G één blijft de algehele vormcomplexiteit gelijk. Deze stamboom is in andere opzichten vergelijkbaar, maar maakt gebruik van niet-embryonale objecten die zijn gedownload van leveranciers van virtuele objecten. Merk op dat de objecten die een gemeenschappelijke voorouder delen, op eenvoudige wijze een categorie vormen.Aangezien er in geen enkele generatie celdelingen zijn toegestaan, zijn alle vormvariaties uitsluitend het gevolg van de beweging en/of groei van de individuele cellen van het betreffende object. In dit scenario creëert morphing vloeiende variaties in vorm door te interpoleren tussen de overeenkomstige vertices van de twee aangewezen objecten: het meest linkse en het meest rechtse.Hoofdcomponenten van embryo's creëren ook vloeiende variaties in vorm. Dit embryo representeert het rekenkundig gemiddelde van 400 embryo's. In dit specifieke geval waren de eerste twee hoofdcomponenten respectievelijk verantwoordelijk voor 73% en 19% van de vorminformatie.Embryo's werden verkregen door de gewogen eigenwaarden te variëren. Deze digitale embryo's kunnen worden weergegeven als virtuele 3D-objecten en vervolgens worden geprint als haptische objecten met een standaard commercieel beschikbare 3D-printer of prototyper om visuele perceptie als inferentie te bestuderen, in het bijzonder als Bayesiaanse inferentie. Digitale embryo's zijn een onschatbaar hulpmiddel voor het creëren van nieuwe categorieën met gecontroleerde parameters, zoals priors en likelihoods.Na het bekijken van deze video zou u een goed begrip moeten hebben van hoe u een set digitale embryo's kunt creëren die geschikt is voor uw specifieke experiment. Zowel individuele objecten als volledige categorieën met verschillende graden van variabiliteit en complexiteit kunnen eenvoudig worden gemaakt. De resulterende afbeeldingen kunnen worden gebruikt voor experimenten in objectherkenning, categorisatie, categorieleren en vele andere toepassingen.

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

Research

JoVE Journal

Neuroscience

Neurowetenschap

Perceptuele en categorie Verwerking van de Uncanny Valley Hypothesis &#39;dimensie van de mens gelijkenis: Een aantal methodologische kwesties

Op 3-4 maanden, te luisteren naar mensen en andere primaten vocalizations verhoogt cognitie zuigelingen; met 6 maanden, maar een mens geluiden uit te oefenen deze cognitieve voordeel. We beschrijven een exposure manipulatie die de krachtige vormgeving rol van ervaring als zuigelingen te geven welke geluiden om te linken naar cognitie en die om af te stemmen onthult.

Ervaring is Instrumental in Tuning een verband tussen taal en cognitie: Bewijs uit 6 tot 7 maanden oude baby Object Categorization

Hier presenteren we een protocol voor vertrouwd-test paradigma's die bieden een directe test van zuigeling categorisatie en helpen de rol van taal in het vroegtijdig leren van de categorie definiëren.

Definiëren van de rol van taal in de zuigelingen Object categorisering met Eye-tracking paradigma 's

Wij beschrijven methoden voor de presentatie van Real-World objecten en gematched beelden van dezelfde objecten onder streng gecontroleerde experimentele omstandigheden. De methodes worden beschreven in de context van een besluitvormings taak, maar de zelfde echte wereld benadering kan tot andere cognitieve domeinen zoals waarneming, aandacht, en geheugen worden uitgebreid.

Methoden voor het presenteren van Real-World objecten onder gecontroleerde laboratoriumomstandigheden

In dit artikel wordt beschreven hoe u een experiment instellen dat het mogelijk maakt om invloeden op bronniveau te detecteren op object perceptie met behulp van magnetoencephalography (MEG). Het omvat stimulus-materiaal, experimenteel ontwerp, MEG-opname en gegevensanalyse.

Detectie van pre-stimulus effecten op bronniveau op object perceptie met Magnetoencephalography

Het protocol presenteert een experimenteel psychofysisch paradigma om grote hoeveelheden gelijkenisoordelen te verkrijgen, en een bijbehorende analyseworkflow. Het paradigma onderzoekt contexteffecten en maakt modellering van gelijkenisgegevens mogelijk in termen van Euclidische ruimten van ten minste vijf dimensies.

Een psychofysisch paradigma voor het verzamelen en analyseren van gelijkenisoordelen

Hier beschrijven we methoden om te testen C. elegans associatief leren en korte-en lange termijn associatief geheugen. Deze populatie testen maken gebruik van de wormen mogelijkheden om chemotax in de richting van vluchtige geur-, en vormen positieve associaties bij de paring voedsel met de chemoattractant butanon. Verhoging van het aantal van conditionering periodes leidt tot lange-termijn geheugen.

C. elegans Positieve Butanon Learning, op korte termijn en lange termijn geheugen Associatieve Assays

Volwassen geboren neuronen die ChR2 kunnen worden gemanipuleerd in slice elektrofysiologische voorbereidingen om hun bijdrage aan de functie van olfactorische neurale circuits te onderzoeken.

Met behulp van betaalbare LED-arrays voor Photo-stimulatie van neuronen

Volwassen geboren neuronen van de bulbus olfactorius kan optogenetically worden gecontroleerd met behulp van Channelrhodopsin2 expressie lentivirale injectie in de rostrale migratie stroom en chronische fotostimulering met een geïmplanteerd miniatuur LED.

Selectieve Viral Transductie van Adult geboren Olfactorische Neuronen voor chronische In vivo Optogenetic Stimulatie

Een efficiënte manier om inzicht te krijgen in hoe de mens navigeert zich in drie dimensies wordt beschreven. De methode maakt gebruik van een motie simulator die in staat van bewegende waarnemers op een manier onbereikbaar door traditionele simulatoren. De resultaten bevestigen dat beweging in het horizontale vlak wordt onderschat, terwijl de verticale beweging wordt overschat.

MPI CyberMotion Simulator: Implementatie van een nieuwe Motion Simulator uw zintuigen Pad Integratie Onderzoek in drie dimensies

Leer virtuele morfogenese en fylogenese voor perceptieonderzoek met digitale embryo-objecten. Deze methoden creëren natuurlijke 3D-vormen met meetbare variaties voor visueel en haptisch onderzoek.

Objecten maken en Object Categorieën voor het bestuderen van perceptie en perceptueel leren

Meer video's verkennen