Name: Tworzenie obiektów i kategorii obiektów do badania percepcji i uczenia się percepcyjnego (Wideo) | JoVE Journal
Uploaded: 2012-11-02T15:00:00.000+00:00
Duration: 14 min 38 s
Description: Poznaj metodę tworzenia naturalistycznych obiektów 3D poprzez symulacje biologiczne wirtualnej morfogenezy i filogenezy. Technika ta umożliwia generowanie cyfrowych zarodków do badań percepcji wzrokowej i dotykowej.

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

Praca ta była częściowo finansowana przez U.S. Army Research Laboratory oraz U.S. Army Research Office w ramach grantu W911NF1110105, a także przez NSF w ramach grantu IOS-1147097 przyznanego Jayowi Hegdé. Wsparcie zapewnił również grant pilotażowy dla Jaya Hegdé z Vision Discovery Institute Georgia Health Sciences University. Daniel Kersten otrzymał wsparcie z grantów ONR N00014-05-1-0124 oraz NIH R01 EY015261, a także częściowo z programu WCU (World Class University) finansowanego przez Ministerstwo Edukacji, Nauki i Technologii za pośrednictwem Narodowej Fundacji Badawczej Korei (R31-10008). Karin Hauffen otrzymała wsparcie w ramach Undergraduate Research Apprenticeship Program (URAP) armii Stanów Zjednoczonych.

1. Tworzenie naturalistycznych wirtualnych obiektów 3D przy użyciu VM
<ol>
 <li>Aby stworzyć cyfrowe zarodki, należy użyć oprogramowania Digital Embryo Workshop (DEW; patrz Tabela 1). Każde uruchomienie generuje pojedynczy zarodek14, którego kształt jest unikalny dla danego zestawu ustawień (lub „genotypu”) zastosowanych w danym przebiegu (Rycina 1). „Komórki” zarodka są reprezentowane jako trójkąty14.
 <ol>
 <li>Uruchamiaj program tyle razy, ile jest konieczne, aby wygenerować pożądaną liczbę zarodków.</li>
 <li>Jeśli wymagane są bardziej złożone kształty, należy zwiększyć liczbę cykli wzrostu, t.j. liczbę podziałów komórek zarodka. Należy pamiętać, że spowolni to działanie programu. W przypadku konieczności stworzenia innych obiektów wirtualnych niż cyfrowe zarodki, należy użyć dostępnych komercyjnie narzędzi do modelowania 3D lub pozyskać obiekty wirtualne od komercyjnych dostawców (Tabela 1).</li>
 </ol>
 </li>
 <li>Zazwyczaj zaleca się zapisywanie obiektów wirtualnych w powszechnie używanym formacie plików, takim jak OBJ, aby obiekty można było łatwo zaimportować do komercyjnego zestawu narzędzi do modelowania 3D. W tym celu program DEW domyślnie zapisuje obiekty w formacie OBJ.</li>
 <li>Bodźce wizualne można generować przy użyciu jednego lub większej liczby cyfrowych zarodków w środowisku do modelowania i renderowania 3D (Tabela 1). Aby stworzyć pożądane bodźce, należy zastosować standardowe operacje graficzne, takie jak zmiana orientacji, rozmiaru, oświetlenia, tekstury powierzchni i tła (patrz Rycina 2).</li>
</ol>
2. Tworzenie naturalistycznych kategorii obiektów za pomocą VP
<ol>
 <li>Aby wygenerować kategorie obiektów, należy utworzyć potomków (lub „dzieci”) danego obiektu przodka (lub „rodzica”), wykorzystując pożądaną kombinację procesów opisanych w kroku 1.1 powyżej (Rysunek 3)9,10,12,13.
 <ol>
 <li>Niektóre metody opisane poniżej w celu tworzenia płynnych wariacji kształtu, takie jak morphing czy analiza głównych składowych (patrz kroki 3 i 4 poniżej), działają lepiej, gdy wszystkie obiekty wejściowe mają tę samą liczbę komórek i gdy zachowana jest odpowiedniość jeden do jednego między wierzchołkami obiektów. Do tworzenia takich obiektów należy używać wyłącznie tych procesów VM, które nie zmienią liczby komórek i zachowają odpowiedniość jeden do jednego wierzchołków między obiektami (patrz np. generacje G2 do G3 na Rysunku 3). Przykładowo, podział komórki i programowana śmierć komórki zmieniają liczbę komórek, co znacznie utrudnia (choć nie wyklucza17,18) określenie odpowiedniości jeden do jednego między wierzchołkami danej pary obiektów. 
 Należy zauważyć, że procesy zmieniające liczbę komórek w danym obiekcie wpływają również na złożoność jego kształtu. Generalnie im większa liczba komórek, tym większa złożoność kształtu obiektu i gładsza jego powierzchnia.</li>
 <li>W razie potrzeby jako dane wejściowe do VP można wykorzystać obiekty wirtualne inne niż cyfrowe embriony (Rysunek 4).</li>
 </ol>
 </li>
 <li>Obiekty w obrębie danej kategorii można dalej selekcjonować w celu uzyskania określonego rozkładu cech19. Na przykład można selektywnie usuwać obiekty średniej wielkości z danej kategorii, aby wygenerować bimodalny rozkład wielkości obiektów.</li>
 <li>Nie istnieje jedna metoda, która byłaby uniwersalnie optymalna dla pomiaru dostępnych informacji o kształcie dla wszystkich kategorii, ani jedna metoda optymalna dla kategoryzacji wszystkich obiektów20-22. W związku z tym eksperymentator musi wybrać te metody w zależności od kategorii i celów obliczeniowych20-22. Krok 4 opisuje powszechnie stosowaną metodę manipulowania różnymi aspektami dostępnych informacji o kształcie.</li>
 <li>Podobieństwo między daną parą kategorii można obiektywnie zmierzyć za pomocą dostępnych metod filogenetycznych23,24. Na przykład odległość pionowa (lub „ewolucyjna”) między daną parą kategorii, mierzona metodami grupowania hierarchicznego w pakiecie statystycznym R, stanowi obiektywną miarę podobieństwa kategorii25,26.</li>
</ol>
3. Dodatkowe metody tworzenia wariancji kształtu: morphing cyfrowy
<ol>
 <li>W przypadku dowolnej pary obiektów, w której każdy wierzchołek jednego obiektu odpowiada dokładnie jednemu wierzchołkowi drugiego obiektu (tj. obiekty z jednowartościową odpowiedniością między wierzchołkami), proces morphingu jest prosty17,18,27-29: w tym przypadku płynne przejścia (lub „morfy”) między dwoma obiektami są generowane poprzez płynną interpolację między odpowiadającymi sobie wierzchołkami i normalnymi (Rycina 5). W zależności od wybranej pary obiektów, morphing doprowadzi do powstania nowych kategorii lub dodatkowych elementów potomnych w obrębie danej kategorii.
 <ol>
 <li>Obiekty przedstawione na Rycynie 5 zostały utworzone przy użyciu linearnego morphingu27-29. Obiekty te mogą być przekształcane (lub odkształcane) za pomocą szerokiego wachlarza innych dostępnych technik deformacji17,18.</li>
 </ol>
 </li>
 <li>Aby uzyskać pożądany rozkład zmorphowanych kształtów, należy odpowiednio dobrać punkty interpolacji.</li>
</ol>
4. Dodatkowe metody tworzenia zmienności kształtu: główne składowe
<ol>
 <li>Aby wykorzystać główne składowe do generowania wariancji kształtu, należy najpierw wyznaczyć główne składowe15. Główne składowe są specyficzne dla danego zbioru obiektów wykorzystanych do ich wyznaczenia26. Dla uzyskania dobrych wyników należy użyć co najmniej 30 obiektów z jednowartościową odpowiedniością między wierzchołkami26.</li>
 <li>Wygeneruj obiekt średni z pożądanego zbioru n obiektów wejściowych, osobno uśredniając współrzędne i normalne każdego wierzchołka we wszystkich obiektach. Zatem współrzędna x danego wierzchołka k obiektu powinna być średnią współrzędnych x wierzchołka k wszystkich n obiektów i tak dalej.</li>
 <li>Użyj funkcji Matlab princomp , aby wyznaczyć główne składowe n obiektów. Wygeneruje to n-1 niezerowych wektorów własnych wraz z odpowiadającymi im n-1 wartościami własnymi26.</li>
 <li>Aby wygenerować nowy obiekt Aj z danej głównej składowej Pi, pomnóż Pi przez odpowiadającą jej wartość własną λi oraz pożądaną wagę wj i dodaj do obiektu średniego: 
 Aj= +wjλiPi</li>
 <li>Każda unikalna wartość wj wygeneruje unikalny obiekt. Poprzez płynną zmianę w można tworzyć płynne wariacje kształtu wzdłuż danej głównej składowej.</li>
 <li>Aby stworzyć wariacje kształtu wzdłuż niezależnego wymiaru kształtu, powtórz krok 4.4, używając innej głównej składowej.</li>
 <li>Aby stworzyć pożądany rozkład kształtów wzdłuż danej głównej składowej, zastosuj pożądany rozkład w.</li>
 <li>Aby stworzyć wielowymiarową siatkę kształtów, użyj zestawu wag dla każdej z kilku głównych składowych: 
 <img alt="Wzór matematyczny, równanie dopasowania spektralnego, analiza absorpcji przejściowej." fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" data-altupdatedat="1788235205000" data-alt="Równanie 2"></li>
</ol>
5. Tworzenie haptycznych wersji obiektów 3D
<ol>
 <li>Wydrukuj obiekty 3D za pomocą prototypowni 3D (lub „drukarki” 3D). W razie potrzeby dostosuj rozmiar obiektu i wygładź jego powierzchnię przed drukowaniem.</li>
</ol>
6. Przykładowe zastosowanie: wnioskowanie bayesowskie w klasyfikacji kategorii obrazów
<ol>
 <li>Ważnym zadaniem w przetwarzaniu wizualnym jest wnioskowanie o kategorii, do której należy dany obserwowany obiekt. Choć dokładny mechanizm tego wnioskowania nie jest znany, istnieją dowody zarówno obliczeniowe, jak i fizjologiczne 9,12,13,30-32 polega ono na wykorzystaniu informacji o znanych cechach obiektu na danym obrazie w celu wnioskowania o jego kategorii. W niniejszym opracowaniu zilustrujemy, w jaki sposób ten proces wnioskowania może przebiegać w ramach modelu bayesowskiego oraz w jaki sposób cyfrowe embriony mogą być przydatne w badaniach w tej dziedzinie.</li>
 <li>Dla uproszczenia przyjmiemy, że zadanie kategoryzacji jest binarne i polega na rozróżnianiu kategorii K z kategorii L (Rycina 3). Niech C będzie zmienną kategoryczną. Wywnioskujemy, że C = K lub C = L w zależności od tego, czy obserwowany obraz I należy do kategorii K lub LTypowe podejście do kategoryzacji obejmuje:
 <ol>
 <li>Obliczanie prawdopodobieństwa, że kategoria jest K biorąc pod uwagę informacje zawarte na obrazie, oznaczone p(C = K |I);</li>
 <li>Obliczanie prawdopodobieństwa, że kategoria to L, na podstawie informacji zawartych w obrazie, oznaczone jako p(C = L | I); oraz</li>
 <li>Wybór kategorii o wyższym prawdopodobieństwie.</li>
 </ol>
 </li>
 <li>W następnej kolejności, dla uproszczenia, przyjmiemy, że istnieje dokładnie jedna cecha binarna FCecha ta może być obecna na obrazie (oznaczona F = 1) lub nieobecny na obrazie (oznaczony F = 0). W tym przykładzie zostanie wykorzystana funkcja „fragment informacyjny” (informative fragment) pokazana w Rycina 8Fragmenty informacyjne zostały po raz pierwszy opisane przez Ullmana i współpracowników33W niniejszym przypadku wykorzystamy szablon obrazu przedstawiony w Rysunek 8 jako cechę oraz wartość progową 0,69. Aby określić, czy cecha ta występuje w danym obrazie (np. w najbardziej prawym obrazie w wierszu G3 w Rysunek 3), zastosujemy następujące kroki:
 <ol>
 <li>Przesuń ten szablon nad wszystkie możliwe lokalizacje na obrazie i oblicz dla każdej z nich wartość bezwzględną znormalizowanej korelacji wzajemnej między szablonem a znajdującym się pod nim podobrazem.</li>
 <li>Wybierz obszar obrazu o najwyższej wartości (w niniejszym przypadku 0,60).</li>
 <li>Jeśli wartość ta przekracza próg, należy uznać, że cecha występuje; w przeciwnym razie należy uznać, że nie występuje. W naszym przypadku, ponieważ najwyższa korelacja wynosząca 0,60 jest niższa od progu 0,69, wnioskujemy, że cecha ta nie występuje na tym obrazie.</li>
 <li>Uzasadnienie zastosowania takich cech oraz mechanizmy wyboru cech i określania ich progów wykraczają poza zakres niniejszego raportu, lecz zostały szczegółowo opisane w publikacjach 33, 30.</li>
 </ol>
 </li>
 <li>W ramach wnioskowania opartego na cechach przyjmujemy, że wszystkie informacje, które obserwator wyodrębnia z obrazu, są zawarte w wartości tej cechy, t. j.., że p(C | I) = p(C | F). 
 Zatem zadaniem staje się wyznaczenie wartości F obliczanie (obecności lub braku) na podanym obrazie p(C = K | F) i p(C = L | F) dla tej wartości For wybierając kategorię o wyższym prawdopodobieństwie.</li>
 <li>W ramach podejścia bayesowskiego,</li>
</ol>
<img alt="Wzór twierdzenia Bayesa; równanie prawdopodobieństwa warunkowego; metoda analizy statystycznej." fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" data-altupdatedat="1788235205000" data-alt="Równanie 3"> 
Zatem,
<img alt="Wzór twierdzenia Bayesa, prawdopodobieństwo, koncepcja analizy statystycznej, równanie w kontekście badawczym." fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" data-altupdatedat="1788235205000" data-alt="równanie 4">
i
<img alt="Równanie twierdzenia Bayesa, prawdopodobieństwo statystyczne, schemat analizy prawdopodobieństwa warunkowego." fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" data-altupdatedat="1788235205000" data-alt="Równanie 5"> 
Należy zauważyć, że mianownik w obu równaniach jest taki sam. Zatem w celu porównania p(C = K | F) i p(C = L | F) nie jest konieczne obliczanie mianownika; wystarczy obliczyć wartości
p(C=K|F) ∝ p(C=K)p(F|C=K)
i
p(C=L|F) ∝ p(C=L)p(F|C=L) 
Są one czasem nazywane „prawdopodobieństwami nienormowanymi”. Termin p(C) nazywany jest „prawdopodobieństwem a priori”, a termin p(F | C) nazywany jest „wiarygodnością”.
<ol start="6">
 <li>Dla uproszczenia przyjmijmy „płaski” rozkład a priori: p(C = K) = p(C = L) = 0.5.</li>
 <li>Zadaniem jest teraz obliczenie p(F|C), czyli prawdopodobieństwa wystąpienia danej wartości cechy w obrazie z określonej kategorii C.
 <ol>
 <li>Jako przykład do obliczenia p(F = 1|C = L), czyli prawdopodobieństwa, że cecha występuje w obrazie z kategorii L, wykorzystamy sześć obrazów z kategorii L (Rysunek 3).</li>
 <li>Aby obliczyć p(F = 1|C = L), należy najpierw wybrać wszystkie obrazy treningowe należące do L. Są to obrazy przedstawione na Rysunku 3.</li>
 <li>Dla każdego obrazu należy ustalić, czy wartość cechy wynosi 1 (obecna) czy 0 (nieobecna), zgodnie z opisem w punktach (6.3.1)-(6.3.3). W naszym przypadku, dla sześciu obrazów na Rysunku 3, wartości te wynoszą: [0, 0, 1, 0, 1, 0].</li>
 <li>Obliczamy ułamek obrazów, w których wartość cechy wynosi 1. W naszym przypadku jest to 2/6 = 0.33.</li>
 <li>Zatem p(F = 1|C = L) = 0.33. Należy zauważyć, że aby uzyskać dokładne szacunki, należy użyć co najmniej 30 obrazów na klasę.</li>
 <li>W podobny sposób możemy obliczyć, że 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>Mając te wartości, można przeprowadzić wnioskowanie. Załóżmy, że otrzymujemy nowy obraz (Rysunek 9), a zadaniem jest określenie jego etykiety kategorii. Czynność tę wykonuje się w następujący sposób:
 <ol>
 <li>Ustalamy, czy cecha F występuje w obrazie, zgodnie z opisem w punktach (6.3.1)-(6.3.3). W naszym przypadku cecha jest obecna, zatem F = 1.</li>
 <li>Korzystając z równań (1) i (2) oraz wartości obliczonych w punktach (6.7.5)-(6.7.6), możemy obliczyć, że p(C = K | F = 1) = 0.42 oraz p(C = L | F = 1) = 0.17.</li>
 <li>Na podstawie tych informacji racjonalne jest wyciągnięcie wniosku, że obraz pochodzi z kategorii K, przy stosunkowo niskim stopniu pewności.</li>
 </ol>
 </li>
 <li>Interesujące i użyteczne mogłoby być przetestowanie takiego podejścia w systemie biologicznym (np. psychofizycznie). W takim przypadku można by sformułować przewidywania behawioralne i porównać je z wynikami obliczeniowymi, takimi jak te uzyskane w punkcie (6.8.2). Aby sformułować dokładne przewidywania, konieczne są dobre szacunki p(F |C). Takie szacunki mogą być jednak trudne do uzyskania w przypadku znanych obiektów. Wynika to z faktu, że szacunek p(F |C) dokonany przez badanego nie jest bezpośrednio obserwowalny, a jego obliczenie jest niezwykle trudne, ponieważ wcześniejsza ekspozycja badanego na naturalne obrazy jest niekontrolowana i nieznana. W przeciwieństwie do tego, jeśli w eksperymentach wykorzystuje się cyfrowe embriony, możliwe jest precyzyjne kontrolowanie tego, jakim embrionom i kategoriom embrionów badany jest poddawany. Ułatwia to obliczenie interesujących nas wartości na podstawie dokładnie tych samych danych, z którymi zetknął się badany. Fakt, że wygląd embrionów jest naturalistyczny, jest pomocny, ponieważ zwiększa prawdopodobieństwo, że badany stosuje tę samą strategię kategoryzacji, co w przypadku kategorii naturalnych.</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>

Nie zadeklarowano żadnych konfliktów interesów.

Użyteczność VM i VP w badaniach nad naukami kognitywnymi
Wcześniej szczegółowo opisaliśmy użyteczność VM oraz VPl9,10,12-14. W skrócie, VM, a w szczególności metodologia cyfrowego zarodka, jest użyteczna, ponieważ dostarcza zasadniczej i elastycznej metody tworzenia nowych, a zarazem naturalistycznych obiektów 3-D14. Podobnie VP zapewnia zasadniczą metodę tworzenia naturalistycznych kategorii9,10,12,13. Warto zauważyć, że kategorie obiektów generowane przez VP dzielą wiele cech z kategoriami obiektów występującymi w naturze, w tym fakt, że kategorie te mają tendencję do bycia hierarchicznymi, a zmienność cech w obrębie kategorii i pomiędzy nimi powstaje niezależnie od eksperymentatora oraz algorytmów służących do ich klasyfikacji39.
Obecne ograniczenia i przyszłe kierunki
Szczególnie godne uwagi są trzy obecne ograniczenia naszego protokołu oraz sugerowane przez nie kierunki przyszłych prac: Po pierwsze, zarówno VM, jak i VP symulują procesy biologiczne. Chociaż wykazujemy, że niebiologiczne obiekty wirtualne mogą służyć jako substraty dla tych procesów, to same procesy podłoża są nadal motywowane biologicznie. Jednak obiekty naturalne – zarówno biologiczne, jak i niebiologiczne – ulegają zmianom kształtu pod wpływem sił niebiologicznych. Na przykład skały mogą zmieniać kształt w wyniku procesów geologicznych, takich jak erozja lub sedymentacja. Nowe kategorie skał mogą powstawać w wyniku innych tego typu procesów geologicznych. Wprowadzenie tych procesów do zestawu dostępnych algorytmów zmiany kształtu powinno być stosunkowo proste.
Drugim głównym ograniczeniem naszego protokołu jest fakt, że obecny zestaw dynamicznych zmian kształtu jest dość ograniczony. Pożądane byłoby wprowadzenie szerszego wachlarza zmian kształtu, takich jak ruch biologiczny lub ruch wywołany siłami zewnętrznymi, np. wiatrem, wodą lub grawitacją. Przewidujemy, że zastosowanie znanych algorytmów animacji komputerowej w celu implementacji takich dynamicznych zmian kształtu będzie stosunkowo proste.
Trzecim głównym ograniczeniem naszego protokołu jest fakt, że VM nie obejmuje obecnie wielu innych znanych procesów morfogenetycznych, w tym przede wszystkim gastrulacji36. Nie uwzględnia on również niektórych znanych ograniczeń, takich jak fakt, że morfogeneza roślin jest w pełni sterowana przez wzrost, przy znikomym lub braku możliwości ruchu komórek ze względu na obecność ścian komórkowych36. Podobnie, VP nie obejmuje innych znanych procesów filogenetycznych, takich jak dryf genetyczny40. Rozwiązanie tych ograniczeń znacznie ułatwiłoby zastosowanie naszego protokołu w symulacjach rozwojowych, ekologicznych i ewolucyjnych.

<table><tbody><tr><td>Digital Embryo Workshop (DEW)</td><td>Mark Brady i Dan Gu</td><td></td><td>To intuicyjne narzędzie sterowane menu można pobrać bezpłatnie jako Download 1 ze strony &lt;a href=&quot;http://www.hegde.us/DigitalEmbryos&quot; target=&quot;_blank">http://www.hegde.us/DigitalEmbryos&lt;/a&gt;. Obecnie dostępne tylko dla systemu Windows.</td></tr><tr><td>Narzędzia do cyfrowych embrionów dla Cygwin</td><td>Jay Hegd&amp;#233; i Karin Hauffen</td><td></td><td>Jest to luźny zbiór programów o mniejszej intuicyjności obsługi. Zostały one zaprojektowane do uruchamiania z interfejsu wiersza poleceń emulatora Linux Cygwin dla systemu Windows. Programy te można pobrać jako Download 2 ze strony &lt;a href=&quot;http://www.hegde.us/DigitalEmbryos&quot; target=&quot;_blank">http://www.hegde.us/DigitalEmbryos&lt;/a&gt;. Sam interfejs Cygwin można pobrać bezpłatnie ze strony &lt;a href=&quot;http://www.cygwin.com&quot; target=&quot;_blank">www.cygwin.com&lt;/a&gt;.</td></tr><tr><td>Autodesk 3ds Max, Montreal, Quebec, Kanada</td><td>Autodesk Media and Entertainment</td><td>3DS Max</td><td>Jest to zestaw narzędzi do modelowania 3D, animacji i renderowania z elastyczną architekturą wtyczek i wbudowanym językiem skryptowym. Dostępny dla większości aktualnych systemów operacyjnych.</td></tr><tr><td>MATLAB</td><td>Mathworks Inc., Natick, MA, USA</td><td>MATLAB</td><td>Jest to środowisko obliczeń numerycznych i język programowania z wieloma użytecznymi funkcjami dodatkowymi. Dostępny dla większości aktualnych systemów operacyjnych.</td></tr><tr><td>Zestaw narzędzi statystycznych R</td><td>R Project for Statistical Computing</td><td>R</td><td>Można pobrać bezpłatnie ze strony &lt;a href=&quot;http://www.r-project.org/&quot; target=&quot;_blank">http://www.r-project.org/&lt;/a&gt;. Dostępny dla większości aktualnych systemów operacyjnych.</td></tr><tr><td>OpenGL</td><td>Khronos Group</td><td>OpenGL</td><td>Ten wielojęzyczny i wieloplatformowy zestaw narzędzi graficznych można pobrać bezpłatnie ze strony &lt;a href=&quot;http://www.opengl.org&quot; target=&quot;_blank">www.opengl.org&lt;/a&gt;.</td></tr><tr><td>Drukarka osobista V-Flash</td><td>3D Systems Inc., Rock Hill, SC, USA</td><td>V-Flash</td><td>Jest to korzystne rozwiązanie dla wszystkich opisanych w niniejszym raporcie zastosowań druku 3D. Materiały do druku są również sprzedawane przez 3D Systems, Inc. Tańsze modele są dostępne w formie otwartoźródłowej z RepRap (rapmanusa.com) i MakerGear. Droższe modele (&amp;gt; 30 K $) są dostępne od Objet Geometries, 3DS Systems, Z-Corp, Dimension Printing itd.</td></tr><tr><td>&lt;a href=&quot;http://www.TurboSquid.com&quot; target=&quot;_blank"> TurboSquid.com&lt;/a&gt;</td><td>TurboSquid Inc., Nowy Jork, LA</td><td>(różne obiekty)</td><td>Różne wirtualne obiekty 3D można pobrać z tej strony bezpłatnie lub za opłatą.</td></tr><tr><td colspan="4">&lt;strong&gt;Tabela 1. &lt;/strong&gt; Tabela specyficznych zestawów narzędzi i sprzętu.</td></tr></tbody></table>

tworzenie obiektów i kategorii obiektów do badania percepcji oraz uczenia się percepcyjnego

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Aby ilościowo badać percepcję obiektów, czy to w systemach biologicznych, czy w maszynach, konieczne jest stworzenie obiektów i kategorii obiektów o precyzyjnie definiowalnych, najlepiej naturalistycznych właściwościach1. Ponadto, w badaniach nad uczeniem się percepcyjnym przydatne jest tworzenie nowych obiektów i kategorii obiektów (lub klas obiektów) o takich właściwościach2.
Obecnie istnieje wiele innowacyjnych i użytecznych metod tworzenia nowych obiektów oraz kategorii obiektów3-6 (patrz również ref. 7,8). Jednakże, mówiąc ogólnie, istniejące metody charakteryzują się trzema głównymi rodzajami niedoskonałości.
Po pierwsze, wariacje kształtu są zazwyczaj narzucane przez eksperymentatora5,9,10, a zatem mogą różnić się od zmienności w kategoriach naturalnych i być zoptymalizowane pod konkretny algorytm rozpoznawania. Pożądane byłoby, aby wariacje te powstawały niezależnie od narzuconych zewnętrznie ograniczeń.
Po drugie, istniejące metody mają trudności z uchwyceniem złożoności kształtu obiektów naturalnych11-13. Jeśli celem jest badanie percepcji obiektów naturalnych, pożądane jest, aby obiekty i ich kategorie były naturalistyczne, tak aby uniknąć możliwych czynników zakłócających i przypadków szczególnych.
Po trzecie, zazwyczaj trudno jest ilościowo zmierzyć informacje dostępne w bodźcach stworzonych za pomocą konwencjonalnych metod. Pożądane byłoby tworzenie obiektów i kategorii obiektów, w których dostępne informacje można precyzyjnie zmierzyć, a w razie potrzeby systematycznie manipulować nimi (lub je „dostrajać”). Pozwala to na sformułowanie podstawowych zadań rozpoznawania obiektów w kategoriach ilościowych.
W niniejszej pracy opisujemy zestaw algorytmów, czyli metod, które spełniają wszystkie trzy powyższe kryteria. Wirtualna morfogeneza (VM) tworzy nowe, naturalistyczne wirtualne obiekty 3-D nazywane „cyfrowymi embrionami” poprzez symulację biologicznego procesu embriogenezy14. Wirtualna filogeneza (VP) tworzy nowe, naturalistyczne kategorie obiektów poprzez symulację ewolucyjnego procesu doboru naturalnego9,12,13. Obiekty i kategorie obiektów stworzone za pomocą tych symulacji mogą być następnie modyfikowane przez różne metody morfingu w celu generowania systematycznych wariacji cech kształtu15,16. Metody VP i morfingu mogą być również zastosowane, w zasadzie, do nowych obiektów wirtualnych innych niż cyfrowe embriony lub do wirtualnych wersji obiektów świata rzeczywistego9,13. Obiekty wirtualne stworzone w ten sposób mogą być renderowane jako obrazy wizualne przy użyciu konwencjonalnego zestawu narzędzi graficznych, z pożądanymi manipulacjami teksturą powierzchni, oświetleniem, rozmiarem, punktem widzenia i tłem. Obiekty wirtualne mogą być również „drukowane” jako obiekty haptyczne przy użyciu konwencjonalnego prototypera 3-D.
Opisujemy również niektóre implementacje tych algorytmów obliczeniowych, aby pomóc zilustrować potencjalną użyteczność danych algorytmów. Ważne jest, aby odróżnić algorytmy od ich implementacji. Implementacje są demonstracjami przedstawionymi wyłącznie jako „dowód koncepcji” (proof of principle) leżących u ich podstaw algorytmów. Należy zauważyć, że co do zasady implementacja algorytmu obliczeniowego często posiada ograniczenia, których sam algorytm nie posiada.
Wspólnie metody te stanowią zestaw potężnych i elastycznych narzędzi do badania rozpoznawania obiektów oraz uczenia się percepcyjnego zarówno przez systemy biologiczne, jak i obliczeniowe. Przy zastosowaniu odpowiednich rozszerzeń metody te mogą okazać się przydatne również w badaniu morfogenezy i filogenezy.

VM można wykorzystać do generowania praktycznie nieograniczonej liczby nowych kształtów 3D. Przykładowe embriony cyfrowe wygenerowane za pomocą algorytmu VM przedstawiono na dolnym panelu rysunku 1. Każdy z tych 16 embrionów został wygenerowany przy użyciu programu „growEmbryos.exe” z pakietu Digital embryo tools for Cygwin (patrz tabela 1) w ciągu 40 cykli wzrostu. Wszystkie pozostałe parametry wzrostu zostały ustawione wewnętrznie przez program. Większość z tych parametrów była stała (t.j. identyczna dla każdego kolejnego embrionu). Kilka parametrów, takich jak lokalizacja i siła źródeł morfogenów, stanowiło parametry losowe ustawiane wewnętrznie przez program niezależnie dla każdego uruchomienia. Różnice w kształtach między tymi 16 embrionami wynikały wyłącznie z wariacji tych parametrów losowych.
Niektóre przykłady teksturowania powierzchni34,35 z wykorzystaniem dowolnie wybranych tekstur przedstawiono na Rysunku 2A. Sceny wizualne o dowolnym stopniu złożoności można stworzyć przy użyciu komercyjnie dostępnego środowiska do modelowania i renderowania 3D, co pokazano na Rysunku 2B.
Reprezentatywne „drzewo genealogiczne” wygenerowane przez VP z wykorzystaniem embrionów cyfrowych przedstawiono na Rysunku 3. Podobne drzewa można skonstruować, używając obiektów innych niż embriony cyfrowe, co pokazano na Rysunku 4. Należy zauważyć, że w obu przypadkach obiekty posiadające wspólnego przodka w prosty sposób tworzą kategorię, choć eksperymentator może również zdecydować o zdefiniowaniu kategorii jako dowolnego innego zbioru obiektów. Warto zwrócić uwagę na Rysunek 4, z którego wynika, że nasza obecna implementacja algorytmów VM i VP ma tendencję do tworzenia stosunkowo gładkich, zakrzywionych powierzchni, w przeciwieństwie do obiektów poszarpanych lub płaskich. Należy również zaznaczyć, że jest to prawdopodobnie ograniczenie naszej implementacji tych algorytmów, a nie samych algorytmów, ponieważ procesy biologiczne mogą tworzyć obiekty o płaskich powierzchniach i poszarpanych konturach (np. liść róży).
Rysunki 5 i 6 ilustrują typowe wyniki dwóch metod, które mogą być stosowane dodatkowo lub zamiast VP w celu tworzenia zasadniczych wariacji w kształcie obiektów i kategoriach obiektów.
Górny panel rysunku 7 przedstawia wizualizacje dwóch cyfrowych embrionów, a dolny panel rysunku 7 przedstawia odpowiadające im wydruki wykonane za pomocą komercyjnie dostępnego prototypera 3D.
Ryciny 8 i 9 ilustrują procedury opisane w sekcji 6 dotyczące wykorzystania fragmentów obrazów do kategoryzacji danego obiektu wizualnego.
<img alt="Schemat ewolucji kształtu 3D od wielościanu do form organicznych, ilustrujący proces transformacji." fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig1highres.jpg" src="/files/ftp_upload/3358/3358fig1.jpg" data-altupdatedat="1788235205000" data-alt="Rycina 1"> 
 Rycina 1. Wirtualna morfogeneza. Dolny panel ilustruje rodzaj nowych, naturalistycznych, wirtualnych obiektów 3D nazywanych „cyfrowymi embrionami”14. Cyfrowe embriony mogą być generowane poprzez symulację jednego lub większej liczby kluczowych procesów biologicznej embriogenezy: zapośredniczonego przez morfogeny podziału komórek, wzrostu komórek, ruchu komórek oraz programowanej śmierci komórki7,8,36,37. Każda iteracja rozpoczyna się od dwudziestościanu (pokazanego na górnym panelu) i generuje unikalny embrion, w zależności od ustawień parametrów VM (lub „genotypu”) danego embrionu. W związku z tym 16 embrionów na dolnym panelu ma różne kształty, ponieważ wszystkie posiadają różne genotypy. Należy zauważyć, że w zależności od potrzeb można generować kształty prostsze lub bardziej złożone (np. w celu optymalnej stymulacji neuronów na danym poziomie hierarchii wizualnej) poprzez manipulację genotypem embrionu. Podczas generowania pokazanych embrionów symulowano wszystkie wyżej wymienione procesy embriogenetyczne z wyjątkiem programowanej śmierci komórki. Symulowana programowana śmierć komórki jest szczególnie przydatna do tworzenia ukierunkowanych wcięcia (nie pokazano).
<img alt="Analiza wzoru kamuflażu; A: Tabela wzorów z wariacjami, B: Symulacja tekstury na skalistej powierzchni." fo:content-width="3.6in" fo:src="/files/ftp_upload/3358/3358fig2highres.jpg" src="/files/ftp_upload/3358/3358fig2.jpg" data-altupdatedat="1788235205000" data-alt="Rycina 2"> 
 Rycina 2. Tworzenie bodźców wizualnych przy użyciu cyfrowych embrionów. Podobnie jak każdy wirtualny obiekt 3D, cyfrowe embriony mogą być manipulowane graficznie w celu tworzenia scen wizualnych o dowolnej złożoności przy użyciu dowolnego standardowego zestawu narzędzi graficznych 3D. Rycina ta ilustruje niektóre powszechne manipulacje. (A) Ten sam cyfrowy embrion został pokryty wieloma różnymi teksturami i oświetlony niewidocznym źródłem światła w lewym górnym rogu. (B) Scenę zakamuflowaną stworzono poprzez zmianę rozmiaru i orientacji cyfrowego embrionu oraz jego cyfrowe umieszczenie na tym samym tle, z którego pochodziła jego tekstura. Cyfrowy embrion widoczny jest „w pełnym widoku” w prawym dolnym kwadrancie. Dodatkowe przykłady bodźców wizualnych stworzonych przy użyciu cyfrowych embrionów znajdują się w ref. 9,10,12-14,38.
<img alt="Schemat morfogenezy ikosaedru; kształty 3D; klasyfikacja hierarchiczna w kategoriach K, L." fo:content-width="5in" fo:src="/files/ftp_upload/3358/3358fig3highres.jpg" src="/files/ftp_upload/3358/3358fig3.jpg" data-altupdatedat="1788235205000" data-alt="Rycina 3"> 
 Rysunek 3. Tworzenie cyfrowych kategorii embrionów przy użyciu VP. Algorytm VP emuluje ewolucję biologiczną w tym sensie, że w obu przypadkach nowe obiekty i kategorie obiektów wyłaniają się w miarę selektywnego gromadzenia dziedzicznych wariacji. W każdym pokoleniu Gi wybrane embriony rozmnażają się, co prowadzi do powstania generacji Gi+1Potomstwo dziedziczy cechy kształtu po rodzicu, lecz w miarę rozwoju wykazuje własne wariacje morfologiczne (wynikające z niewielkich różnic w genotypie). Rycina ta przedstawia „drzewo genealogiczne” trzech pokoleń potomstwa wywodzącego się od jednego wspólnego przodka – dwudziestościanu. Należy zauważyć, że w tym przypadku złożoność kształtu wzrasta od dwudziestościanu do pokolenia G.1, ale nie z G1 dalej. Wynika to z faktu, że zwiększenie liczby komórek (t. j.., podział komórkowy) dopuszczono od dwudziestościanu do generacji G1, ale nie z G1 dalej. Ogólnie rzecz biorąc, podziały komórkowe mają tendencję do zwiększania złożoności kształtu, podczas gdy inne procesy morfogenetyczne, takie jak ruchy i wzrost komórek, zmieniają kształt bez zmiany jego ogólnej złożoności.
<img alt="Schemat procesu klasteryzacji hierarchicznej, ilustrujący transformacje grup i kształty obiektów 3D." fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig4highres.jpg" src="/files/ftp_upload/3358/3358fig4.jpg" data-altupdatedat="1788235205000" data-alt="Rycina 4"> 
 Rycina 4. VP z wykorzystaniem obiektów wirtualnych innych niż cyfrowe embriony. Niniejsza rycina służy do zilustrowania ogólnej zasady, zgodnie z którą jako dane wejściowe dla VP mogą być wykorzystywane obiekty wirtualne inne niż cyfrowe embriony. Algorytm VP w obecnej formie może operować na dowolnym wirtualnym obiekcie 3D, którego powierzchnia składa się wyłącznie z trójkątów. Generacja G1 składa się (od lewej do prawej) z tykwy, diamentu, maski na twarz, jabłka, kamienia i kaktusa. Należy zauważyć, że obiekty w generacji G1 na tej rycinie nie mają wspólnego przodka, ponieważ VP go nie wymaga. Obiekty w G2 i G3 reprezentują potomstwo kamienia z G1. W żadnej z generacji nie dopuszczono do podziałów komórkowych, tak aby wszystkie warianty kształtów wynikały wyłącznie z ruchu i/lub wzrostu poszczególnych „komórek” danego obiektu.
<img alt="Schemat rotacji ślimaka 3D przedstawiający sekwencyjne widoki do badań anatomicznych i analizy edukacyjnej." fo:content-width="6.5in" fo:src="/files/ftp_upload/3358/3358fig5highres.jpg" src="/files/ftp_upload/3358/3358fig5.jpg" data-altupdatedat="1788235205000" data-alt="Rysunek 5"> 
 Rysunek 5. Wykorzystanie morfingu do tworzenia płynnych zmian kształtu. Morfing polega na wybraniu dwóch obiektów (zarodek po skrajnej lewej i skrajnej prawej stronie na tym rysunku) i obliczeniu obiektów pośrednich (zarodki pomiędzy nimi) poprzez interpolację między odpowiadającymi sobie wierzchołkami dwóch wyznaczonych obiektów. W przedstawionym przypadku wszystkie wierzchołki zostały zinterpolowane przy użyciu tego samego czynnika skalarnego, co zaowocowało linearnym morfingiem. Możliwe jest jednak również nieliniowe morfowanie obiektów (nie pokazano). Morfing jest obliczeniowo prosty, gdy istnieje dokładna korespondencja jeden do jednego między wierzchołkami dwóch obiektów, jak w pokazanym przypadku. W zasadzie możliwe jest jednak morfowanie dowolnych dwóch wirtualnych obiektów, niezależnie od tego, czy ich wierzchołki odpowiadają sobie dokładnie, choć nie istnieje jedna, ujednolicona metoda wykonywania tej operacji17,18.
<img alt="Schemat ewolucji morfologii roślin; porównanie zmian kształtu 3D; model stadiów rozwojowych." fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig6highres.jpg" src="/files/ftp_upload/3358/3358fig6.jpg" data-altupdatedat="1788235205000" data-alt="Rycina 6"> 
 Rycina 6. Wykorzystanie głównych składowych do tworzenia płynnych wariacji kształtu. (A) Średni embrion. Embrion ten reprezentuje średnią arytmetyczną 400 embrionów (po 200 z kategorii K i L na Rycinie 3). Główne składowe obliczono zgodnie z opisem w kroku 4.3. Należy zauważyć, że główne składowe reprezentują wzajemnie niezależne, abstrakcyjne wymiary kształtu 400 embrionów (niewykazano)25,26. 400 embrionów daje 399 niezerowych głównych składowych25,26, które łącznie odpowiadają za całą wariancję, czyli informacje o kształcie, dostępne zbiorczo w embrionach. Zgodnie z konwencją, główne składowe są ustawione w malejącej kolejności ich wartości własnych, czyli proporcji całkowitej wariancji, którą wyjaśniają25,26. W tym przypadku dwie pierwsze główne składowe odpowiadały odpowiednio za 73% i 19% informacji o kształcie dostępnych w 400 embrionach. (B) Embriony reprezentujące różne wagi (a dokładniej ważone wartości własne) pierwszej głównej składowej (Principal Component 1). Wagi zmieniały się od +2 (skrajnie lewo) do -2 (skrajnie prawo) w równych krokach o wartości -0.2. (C) Embriony reprezentujące różne wagi drugiej głównej składowej (Principal Component 2). Wagi również zmieniały się od +2 (skrajnie lewo) do -2 (skrajnie prawo) w równych krokach o wartości -0.2. Należy zauważyć, że manipulowanie głównymi składowymi nie wpływa wyłącznie na jakąkolwiek konkretną część ciała embrionu (np. na skrzydła embrionu w pokazanym przypadku). Jednakże, w razie potrzeby, części ciała wirtualnych obiektów 3D mogą być modyfikowane w dowolny, zdefiniowany przez użytkownika sposób przy użyciu większości dostępnych komercyjnie środowisk do modelowania 3D (niewykazano).
<img alt="Porównanie modelu 3D i wydruku haptycznego; rendering wizualny vs. haptyczny „wydruk” dla sprzężenia zwrotnego dotykowego." fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig7highres.jpg" src="/files/ftp_upload/3358/3358fig7.jpg" data-altupdatedat="1788235205000" data-alt="Rysunek 7"> 
 Rysunek 7. Tworzenie obiektów haptycznych. Wirtualne obiekty 3-D mogą zostać „wydrukowane” jako obiekty haptyczne przy użyciu standardowej, dostępnej komercyjnie „drukarki” 3-D lub prototypowni. Na rysunku przedstawiono cyfrowe embriony wyrenderowane jako obiekty wizualne (górny rząd) oraz jako odpowiadające im obiekty haptyczne (dolny rząd). Obiekty haptyczne pokazane na tym rysunku zostały wydrukowane w szerokości około 6 cm (pasek skali = 1 cm), choć obiekty te można drukować w znacznie mniejszym lub większym rozmiarze.
<img alt="Abstrakcyjne kształty geometryczne; kanciasty wzór zygzakowaty; projekt w skali szarości; studium artystyczne." src="/files/ftp_upload/3358/3358fig8.jpg" data-altupdatedat="1788235205000" data-alt="Rysunek 8"> 
 Rysunek 8. Szablon przykładowego fragmentu informacyjnego. W tym przykładzie szablonowi przypisano wartość progową 0,69.
<img alt="Abstrakcyjne renderowanie struktury molekularnej, wizualizacja, diagram 3D, analiza naukowa." fo:content-width="2.5in" fo:src="/files/ftp_upload/3358/3358fig9highres.jpg" src="/files/ftp_upload/3358/3358fig9.jpg" data-altupdatedat="1788235205000" data-alt="Rycina 9"> 
 Rycina 9. Nowy obraz, dla którego kategoria obiektu nie jest znana i wymaga ustalenia.

Opisujemy nową metodologię tworzenia naturalistycznych obiektów 3D oraz kategorii obiektów o precyzyjnie zdefiniowanych wariacjach cech. Wykorzystujemy symulacje biologicznych procesów morfogenezy i filogenezy do tworzenia nowych, naturalistycznych wirtualnych obiektów 3D oraz kategorii obiektów, które mogą być następnie renderowane jako obrazy wizualne lub obiekty haptyczne.

Tworzenie obiektów i kategorii obiektów do badania percepcji oraz uczenia się percepcyjnego

Aby ilościowo badać percepcję obiektów, niezależnie od tego, czy mowa o percepcji w systemach biologicznych, czy w maszynach, konieczne jest stworzenie obiektów i obiektów...

Celem niniejszej procedury jest utworzenie obiektów oraz kategorii obiektów służących do badania sposobu, w jaki postrzegamy i uczymy się postrzegać obiekty za pomocą wzroku i/lub dotyku. W pierwszej kolejności wykorzystuje się wirtualną morfogenezę (VM) do symulowania procesów wczesnego rozwoju embrionalnego w celu stworzenia nowych, naturalistycznych wirtualnych obiektów 3D, zwanych cyfrowymi embrionami. Następnie, z wykorzystaniem wirtualnej filogenezy (VP), tworzone są kategorie obiektów o precyzyjnie określonych właściwościach statystycznych, opartych na wprowadzonym cyfrowym embrionie.W razie potrzeby można zastosować analizę głównych składowych w celu stworzenia dodatkowych wariacji kształtu obiektów wirtualnych wygenerowanych za pomocą wirtualnej morfogenezy i wirtualnej filogenezy. Prawdopodobieństwo przynależności danego obiektu do określonej kategorii można precyzyjnie obliczyć, wykorzystując bayesowskie wnioskowanie oparte na cechach. Jeśli jest to wymagane, można wygenerować haptyczne kopie otrzymanych obiektów wirtualnych za pomocą drukarki 3D.Każda z tych metod zostanie szczegółowo omówiona w dalszej części w porównaniu z istniejącymi metodami. Te nowe podejścia umożliwiają tworzenie naturalistycznych, a jednocześnie precyzyjnie mierzalnych wariacji kształtu, które powstają bez konieczności narzucania ograniczeń przez badacza. Stanowią one nowatorskie narzędzia w dziedzinach percepcji wzrokowej i haptycznej, uczenia się percepcyjnego oraz wizji komputerowej i mają potencjalne zastosowania w rehabilitacji wielu rodzajów zaburzeń widzenia poprzez multimodalny trening wzrokowo-haptyczny.Co ciekawe, metodę tę można zastosować również do badania samych procesów morfogenezy i ewolucji. Pomysł na tę metodę pojawił się, gdy szukaliśmy sposobów na generowanie naturalistycznych, a jednocześnie precyzyjnie definiowalnych bodźców wizualnych do badań nad komputerowym widzeniem. Początkowo osoby korzystające z tej metody mogły mieć trudności z jej aspektami wymagającymi zaawansowanej matematyki i programowania, dlatego ta demonstracja wizualna zilustruje, jak prawidłowo wdrożyć i stosować tę metodę. W warsztacie cyfrowego embrionu należy określić zestaw ustawień lub genotyp, aby wygenerować pojedynczy embrion lub wiele embrionów.Powtórz ten proces wielokrotnie, aby wygenerować bardziej złożone kształty poprzez wirtualną morfogenezę. Zwiększ liczbę cykli wzrostu, aby określić liczbę podziałów komórek embrionu. Warsztat cyfrowego embrionu automatycznie zapisuje każdy embrion jako plik OBJ, dzięki czemu można go później wykorzystać w komercyjnych zestawach narzędzi do modelowania 3D.Wygeneruj bodźce wizualne, ustawiając różnorodne standardowe parametry graficzne, takie jak orientacja, rozmiar, oświetlenie, tekstura powierzchni i tło, aby stworzyć kategorie obiektów. Twórz obiekty pochodne z obiektu nadrzędnego w sposób hierarchiczny. Można również płynnie zmieniać kształt za pomocą morfingu, zachowując一一 jednowartościową odpowiedniość wierzchołków pomiędzy obiektami.Ciekawym jest fakt, że jako dane wejściowe dla wirtualnej filogenezy można wykorzystać obiekty wirtualne inne niż cyfrowe embriony. Należy wybrać obiekty z danej kategorii, aby uzyskać określony rozkład cech. Na przykład, w celu utworzenia dwóch kategorii różniących się rozmiarem, należy selektywnie wyeliminować obiekty o średniej wielkości, aby wygenerować bimodalny rozkład rozmiarów obiektów.Następnie obiektywnie zmierz podobieństwo między daną parą kategorii, stosując dostępne metody filogenetyczne, takie jak korelacja kopofonetyczna. Obliczenia te można przeprowadzić przy użyciu powszechnie dostępnych zestawów narzędzi analitycznych, takich jak MATLAB lub R. W przypadku dowolnej pary obiektów, w której każdy wierzchołek jednego obiektu odpowiada dokładnie jednemu wierzchołkowi drugiego, proces morfowania jest prosty. Wybierz punkty interpolacyjne i zastosuj liniowy morfing między dwoma obiektami, aby płynnie interpolować wartości pomiędzy odpowiadającymi sobie wierzchołkami.W pierwszej kolejności należy wyznaczyć główne składowe jako specyficzne deskryptory danego zestawu obiektów. Główne składowe można obliczyć przy użyciu programu MATLAB lub R; należy wyznaczyć średnie współrzędne każdego wierzchołka dla wszystkich N obiektów wejściowych, aby stworzyć obiekt średni, następnie pomnożyć dowolną składową P przez odpowiadającą jej wartość własną lambda oraz pożądany ciężar wj, a następnie dodać wynik do obiektu średniego w celu wygenerowania nowego obiektu. Należy następnie płynnie zmieniać wartość WJ, aby uzyskać płynne wariacje kształtu wzdłuż danej głównej składowej.Aby utworzyć wielowymiarową siatkę kształtów, należy zastosować zestaw wag dla każdego z kilku głównych komponentów. Wydrukuj obiekty 3D za pomocą prototypera 3D. W razie potrzeby dostosuj rozmiar obiektu i wygładź jego powierzchnię, aby zoptymalizować wydruk.Ważnym zadaniem w przetwarzaniu wizualnym jest wnioskowanie o kategorii, do której należy dany obserwowany obiekt. W tym celu przydatne są cyfrowe embriony, wykorzystujące m.in. informacje o znanych cechach obiektu. Analizując ten proces wnioskowania, przyjmijmy, że zadanie kategoryzacji jest binarne.Oznacza to, że istnieją tylko dwie możliwe kategorie i naszym zadaniem jest odróżnienie kategorii K od kategorii L. Niech C będzie zmienną kategorii, gdzie C równa się K lub C równa się L w zależności od tego, czy obserwowany obraz I należy odpowiednio do kategorii K czy L. Zakładając, że istnieje dokładnie jedna cecha binarna F, oblicz prawdopodobieństwo, że kategorią jest K, na podstawie informacji zawartych w obrazie. Analogicznie oblicz prawdopodobieństwo dla kategorii L, a następnie wybierz kategorię o wyższym prawdopodobieństwie.Na przykład, zacznijmy od tej informacyjnej cechy fragmentu i wartości progowej 0,69. Zadaniem jest określenie, czy cecha ta występuje na danym obrazie, takim jak najbardziej prawy obraz w drodze G trzy. Najpierw przesuń szablon po wszystkich możliwych lokalizacjach na obrazie, obliczając w każdym miejscu wartość bezwzględną znormalizowanej korelacji wzajemnej pomiędzy szablonem a znajdującym się pod nim podobrazem.Następnie wybierz miejsce w obrazie o najwyższej wartości. Jeśli wartość ta przekracza próg, uznaj, że cecha występuje, w przeciwnym razie uznaj, że jej brakuje. W ramach wnioskowania opartego na cechach przyjmujemy, że wszystkie informacje, które obserwator wyodrębnia z obrazu, są zawarte w wartości tej cechy.W związku z tym zadanie sprowadza się do wyznaczenia wartości F w danym obrazie poprzez obliczenie prawdopodobieństw dla tej wartości F i wybranie kategorii o wyższym prawdopodobieństwie. Jest to ramy bayesowskie służące do zestawienia wszystkich istotnych prawdopodobieństw. Należy zauważyć, że mianownik w obu równaniach jest taki sam, dlatego należy skupić uwagę na liczniku.Przyjmijmy płaskie prawdopodobieństwo a priori, zgodnie z którym obie kategorie są a priori równo prawdopodobne. Zadaniem jest teraz obliczenie wiarygodności, czyli prawdopodobieństwa wystąpienia określonej wartości cechy w obrazie danej kategorii C. Na przykład, wykorzystaj sześć obrazów z kategorii L jako przykłady do obliczenia prawdopodobieństwa, że cecha występuje w obrazie z kategorii L. Najpierw wybierz wszystkie obrazy treningowe należące do kategorii L; dla każdego obrazu określ, czy wartość cechy wynosi jeden (cecha występuje w obrazie), czy zero (cecha nie występuje). Następnie oblicz ułamek obrazów, w których wartość cechy wynosi jeden.Zatem prawdopodobieństwo wystąpienia danej cechy na obrazie z kategorii L wynosi 0,33; w celu uzyskania dokładnych szacunków należy użyć co najmniej 30 obrazów na kategorię. W typowym eksperymencie konieczne byłoby poznanie wewnętrznej oceny tego prawdopodobieństwa przez badanego. Należy zauważyć, że zastosowanie cyfrowych embrionów znacznie ułatwia ten proces.Ponieważ mamy pełną kontrolę nad ekspozycją badanego obiektu na cyfrowe embriony, możemy mieć pewność, że wewnętrznie obliczona przez obiekt wartość jest zgodna z naszą szacunkową i nie jest pod wpływem żadnych niekontrolowanych i nieznanych wcześniejszych doświadczeń. W podobny sposób obliczamy prawdopodobieństwa braku i obecności obrazu w kategoriach K i L. Przy znanych wartościach można przeprowadzić wnioskowanie w celu zidentyfikowania etykiety kategorii dla tego nowego obrazu. Najpierw, przy użyciu wcześniej ustalonych formuł dla prawdopodobieństw nienormalizowanych oraz właśnie obliczonych wartości, należy określić, czy cecha F występuje na obrazie, a następnie obliczyć prawdopodobieństwa obecności kategorii K i L na obrazie. Dane te wskazują, że obraz pochodzi z kategorii K. Chociaż z relatywnie niską pewnością, wirtualna morfogeneza oferuje nieograniczoną ilość nowych kształtów 3D.W niniejszym przypadku cyfrowe embriony są generowane poprzez symulację kluczowych procesów biologicznej embriogenezy. Każde uruchomienie rozpoczyna się od ikosaedru i generuje unikalny embrion. W zależności od ustawień morfogenów, cyfrowe embriony mogą być manipulowane graficznie w celu tworzenia scen wizualnych o dowolnym stopniu złożoności przy użyciu dowolnego standardowego zestawu narzędzi graficznych.Na przykład ten sam cyfrowy embrion może zostać opopatrzony inną teksturą i oświetlony w dowolny sposób. Ponadto, za pomocą komercyjnie dostępnego środowiska do modelowania i renderowania 3D, można tworzyć sceny wizualne o dowolnym stopniu złożoności, takie jak ta scena, w której cyfrowy embrion jest zakamuflowany na tle o podobnej teksturze. Algorytm wirtualnej fylogenezy emuluje ewolucję biologiczną.Wirtualny algorytm filogenezy emuluje ewolucję biologiczną. Nowe obiekty i kategorie obiektów wyłaniają się jako dziedziczne warianty, które kumulują się selektywnie, lecz w miarę rozwoju nabierają własnych wariacji kształtu. W tym konkretnym przykładzie jeden wspólny przodek, dwudziestościan, generuje trzy pokolenia potomstwa.Złożoność kształtu wzrasta od dwudziestościanu do generacji G1, ponieważ dopuszczamy zwiększenie liczby komórek, jednak całkowita złożoność kształtu pozostaje taka sama od generacji G1 wzwyż. To drzewo genealogiczne jest porównywalne pod innymi względami, lecz wykorzystuje obiekty niebędące embrionami, które zostały pobrane od dostawców wirtualnych obiektów. Zauważmy, że obiekty posiadające wspólnego przodka wprost tworzą kategorię.Ponieważ w żadnym pokoleniu nie dopuszczono do podziałów komórkowych, wszystkie zmiany kształtu wynikają wyłącznie z ruchu i/lub wzrostu poszczególnych komórek danego obiektu. W tym scenariuszu morfowanie tworzy płynne przejścia kształtu poprzez interpolację pomiędzy odpowiadającymi sobie wierzchołkami dwóch wybranych obiektów: skrajnie lewego i skrajnie prawego.Główne składowe kształtu zarodka tworzą również płynne wariacje formy. Ten zarodek reprezentuje średnią arytmetyczną z 400 zarodków. W tym konkretnym przypadku dwie pierwsze składowe główne odpowiadały odpowiednio za 73% i 19% informacji o kształcie.Zarodki uzyskano poprzez zmianę ważonych wartości własnych. Zarodki cyfrowe te mogą być renderowane jako wirtualne obiekty 3D, a następnie drukowane jako obiekty haptyczne przy użyciu standardowej, dostępnej komercyjnie drukarki 3D lub prototypowni w celu badania percepcji wzrokowej jako wnioskowania, w szczególności jako wnioskowania bayesowskiego. Zarodki cyfrowe są nieocenionym narzędziem do tworzenia nowych kategorii o kontrolowanych parametrach, takich jak rozkłady a priori i funkcje wiarygodności.Po obejrzeniu tego filmu powinieneś mieć dobrą wiedzę na temat tego, jak stworzyć zestaw cyfrowych embrionów odpowiednich dla Twojego konkretnego eksperymentu. Można z łatwością tworzyć pojedyncze obiekty lub całe kategorie o różnym stopniu zmienności i złożoności. Powstałe obrazy mogą być wykorzystane w eksperymentach dotyczących rozpoznawania obiektów, kategoryzacji, uczenia się kategorii i wielu innych.

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

Research

JoVE Journal

Neuroscience

Neuronauka

Tworzenie obiektów i kategorii obiektów do badania percepcji i uczenia się percepcyjnego

Badanie hipotezy doliny niesamowitości oraz doświadczeń afektywnych wymaga zrozumienia wymiaru podobieństwa do człowieka (DHL) w ramach tej hipotezy. Niniejszy protokół umożliwia reprezentację DHL oraz badanie percepcji kategorycznej. Przedstawiono wykorzystanie tych samych bodźców oraz fMRI w celu rozróżnienia obszarów mózgu reagujących na zmiany fizyczne i kategoryczne.

Przetwarzanie percepcyjne i kategoryzacyjne wymiaru podobieństwa do człowieka w hipotezie doliny niesamowitości: niektóre kwestie metodologiczne

W wieku 3-4 miesięcy, słuchanie wokalizacji naczelnych ludzi i innych niż ludzie zwiększa zdolności poznawcze niemowląt; po 6 miesiącach tylko ludzkie wokalizacje wywierają tę przewagę poznawczą. Opisujemy manipulację ekspozycją, która ujawnia potężną kształtującą rolę doświadczenia, gdy niemowlęta określają, które dźwięki powiązać z poznaniem, a które wyłączyć.

Doświadczenie odgrywa zasadniczą rolę w dostrajaniu związku między językiem a poznaniem: dowody z kategoryzacji obiektów u niemowląt w wieku od 6 do 7 miesięcy

Tutaj prezentujemy protokół paradygmatów testów zapoznawczych, które zapewniają bezpośredni test kategoryzacji niemowląt i pomagają zdefiniować rolę języka we wczesnym uczeniu się kategorii.

Definiowanie roli języka w kategoryzacji obiektów niemowląt za pomocą paradygmatów śledzenia ruchu gałek ocznych

Opisujemy metody prezentacji rzeczywistych obiektów i dopasowanych obrazów tych samych obiektów w ściśle kontrolowanych warunkach eksperymentalnych. Metody są opisane w kontekście zadania decyzyjnego, ale to samo podejście w świecie rzeczywistym można rozszerzyć na inne domeny poznawcze, takie jak percepcja, uwaga i pamięć.

Metody prezentacji rzeczywistych obiektów w kontrolowanych warunkach laboratoryjnych

Ten artykuł opisuje, jak skonfigurować eksperyment, który pozwala na wykrywanie wpływów na poziomie źródła przed bodźcem na percepcję obiektu za pomocą magnetoencefalografii (MEG). Obejmuje materiał stymulacyjny, projekt eksperymentalny, rejestrację MEG i analizę danych.

Wykrywanie wpływu na percepcję obiektu na poziomie źródła przed bodźcem za pomocą magnetoencefalografii

Protokół przedstawia eksperymentalny paradygmat psychofizyczny w celu uzyskania dużej ilości ocen podobieństwa oraz towarzyszący mu przepływ pracy. Paradygmat bada efekty kontekstowe i umożliwia modelowanie danych o podobieństwie w odniesieniu do przestrzeni euklidesowych o co najmniej pięciu wymiarach.

Paradygmat psychofizyczny do zbierania i analizy sądów o podobieństwie

W niniejszym opracowaniu opisujemy metody testowania uczenia się warunkowego oraz krótkotrwałej i długotrwałej pamięci asocjacyjnej u C. elegans. Te populacyjne testy wykorzystują zdolność nicieni do chemotaksji w kierunku lotnych substancji zapachowych oraz tworzenie pozytywnych skojarzeń poprzez parowanie pożywienia z chemoatraktantem, jakim jest butanon. Zwiększenie liczby okresów warunkowania indukuje pamięć długotrwałą.

C. elegans: testy uczenia się pozytywnego względem butanonu oraz testy krótkotrwałej i długotrwałej pamięci asocjacyjnej

Neurony powstałe w wieku dorosłym wykazujące ekspresję ChR2 mogą być manipulowane w preparatach elektrofizjologicznych w plastrach tkankowych w celu zbadania ich wkładu w funkcjonowanie węchowych obwodów neuronalnych.

Wykorzystanie przystępnych cenowo mat LED do fotostymulacji neuronów

Neurony powstałe w wieku dorosłym w opalfaktorycznej cebulce mogą być kontrolowane optogenetycznie poprzez wstrzyknięcie lentiwirusa wykazującego ekspresję Channelrhodopsin2 do przedniego strumienia migracyjnego oraz przewlekłą fotostymulację za pomocą wszczepionej miniaturowej diody LED.

Selektywna transdukcja wirusowa neuronów węchowych pochodzenia dorosłego w celu chronicznej optogenetycznej stymulacji in vivo

Opisano wydajną metodę pozwalającą zrozumieć sposób, w jaki ludzie orientują się w przestrzeni trójwymiarowej. Metoda ta wykorzystuje symulator ruchu zdolny do przemieszczania obserwatorów w sposób nieosiągalny dla tradycyjnych symulatorów. Wyniki potwierdzają, że ruch w płaszczyźnie poziomej jest niedoszacowany, natomiast ruch pionowy jest przeszacowany.

Symulator CyberMotion MPI: Implementacja nowatorskiego symulatora ruchu do badania wielozmysłowej integracji ścieżki w trzech wymiarach

Poznaj metodę tworzenia naturalistycznych obiektów 3D poprzez symulacje biologiczne wirtualnej morfogenezy i filogenezy. Technika ta umożliwia generowanie cyfrowych zarodków do badań percepcji wzrokowej i dotykowej.

Tworzenie obiektów i kategorii obiektów do badania percepcji oraz uczenia się percepcyjnego

Przeglądaj więcej filmów