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

Procedura ta ma na celu stworzenie obiektów i kategorii obiektów do badania, w jaki sposób postrzegamy i uczymy się postrzegać obiekty za pomocą wzroku i/lub dotyku. Po pierwsze, wirtualna morfogeneza lub VM jest wykorzystywana do symulacji procesów wczesnego rozwoju embrionalnego i tworzenia nowatorskich, naturalistycznych wirtualnych obiektów 3D zwanych cyfrowymi embrionami. Następnie, za pomocą wirtualnej phy agenezy, lub VP, tworzone są kategorie obiektów z precyzyjnie zdefiniowanymi właściwościami statystycznymi na podstawie wejściowego cyfrowego zarodka.

W razie potrzeby analiza składowych zasady może być wykorzystana do stworzenia dodatkowych wariacji kształtu wśród obiektów wirtualnych utworzonych przez wirtualną morfogenezę i wirtualną phy agenezę. Prawdopodobieństwo, że dany obiekt należy do danej kategorii, można precyzyjnie obliczyć za pomocą wnioskowania bayesowskiego opartego na cechach. W razie potrzeby za pomocą drukarki 3D można wygenerować haptyczne wydruki powstałych obiektów wirtualnych.

Każda z tych metod zostanie zilustrowana bardziej szczegółowo w dalszej części w porównaniu z istniejącymi metodami. Te nowe podejścia tworzą naturalistyczne, ale precyzyjnie mierzalne wariacje kształtu, które powstają bez potrzeby stosowania ograniczeń narzuconych przez badaczy. Oferują one nowatorskie narzędzia w dziedzinie percepcji wzrokowej i dotykowej, uczenia się percepcyjnego i widzenia maszynowego, a także mają potencjalne zastosowania w rehabilitacji wielu rodzajów wad wzroku poprzez wizualny haptyczny trening krzyżowy.

Co ciekawe, metoda ta może być również stosowana do badania samych procesów morfogenezy i ewolucji, A na pomysł tej metody po raz pierwszy wpadliśmy wtedy, gdy szukaliśmy sposobów na generowanie naturalistycznych, ale precyzyjnie definiowalnych bodźców wzrokowych do badań i widzenia obliczeniowego. Początkowo osoby zaznajomione z tą metodą mogą mieć problemy z jej intensywnymi aspektami matematycznymi i programistycznymi, więc ta wizualna demonstracja zilustruje, jak prawidłowo wdrożyć i używać tej metody. W cyfrowym warsztacie zarodkowym określ zestaw ustawień lub genotyp, aby wygenerować pojedynczy zarodek, aby wygenerować wiele zarodków.

Powtórz ten proces wiele razy, aby wygenerować bardziej złożone kształty za pomocą wirtualnej morfogenezy. Zwiększ liczbę cykli wzrostu, aby określić, ile razy komórki zarodka będą się dzielić. Cyfrowy warsztat zarodków automatycznie zapisuje każdy zarodek jako plik OBJ, dzięki czemu można go później wykorzystać z komercyjnymi zestawami narzędzi do modelowania 3D.

Generuj bodźce wizualne, ustawiając różne standardowe parametry graficzne, takie jak orientacja, rozmiar, oświetlenie, tekstura powierzchni i tło, aby wygenerować kategorie obiektów. Tworzenie elementów podrzędnych obiektu nadrzędnego w sposób hierarchiczny. Możesz także płynnie zmieniać kształt za pomocą morfingu, zachowując zgodność wierzchołków między obiektami jeden do jednego.

Co ciekawe, obiekty wirtualne inne niż cyfrowe embriony mogą być również wykorzystywane jako dane wejściowe do wirtualnej phy agenezji. Wybierz obiekty w ramach danej kategorii, aby uzyskać dany rozkład obiektów. Na przykład, jeśli chcesz utworzyć dwie kategorie, które różnią się rozmiarem, selektywnie wyeliminuj obiekty średniej wielkości, aby wygenerować bimodalny rozkład rozmiarów obiektów.

Teraz obiektywnie zmierz podobieństwo między daną parą kategorii za pomocą dostępnych metod filogenetycznych, takich jak korelacja kofonetyczna. Obliczenia te można przeprowadzić przy użyciu powszechnie dostępnych zestawów narzędzi analitycznych, takich jak MATLAB lub R, dla dowolnej pary obiektów, gdzie każdy wierzchołek jednego obiektu odpowiada dokładnie jednemu wierzchołkowi drugiego obiektu, morfing jest prosty. Wybierz punkty interpolacji i użyj liniowej morfologii między dwoma obiektami, aby płynnie interpolować między odpowiadającymi im wierzchołkami.

Po pierwsze, określ główne komponenty jako specyficzne deskryptory danego zestawu obiektów. Podstawowe składowe można obliczyć za pomocą MATLAB lub średniej R, współrzędnych każdego wierzchołka we wszystkich N obiektach wejściowych w celu wygenerowania średniego obiektu, pomnożyć dowolny składnik P przez odpowiednią wartość egen lambda i żądaną wagę wj, a następnie dodać do średniego obiektu, aby wygenerować nowy obiekt. Aj kontynuuje płynną zmianę WJ, aby stworzyć gładkie wariacje kształtu wzdłuż danego składnika głównego.

Aby utworzyć wielowymiarową siatkę kształtów, należy użyć zestawu wag dla każdego z kilku podstawowych składników. Drukowanie obiektów 3D za pomocą prototypera 3D. W razie potrzeby dostosuj rozmiar obiektu i wygładź jego powierzchnię, aby zoptymalizować drukowanie.

Ważnym zadaniem w przetwarzaniu wzrokowym jest wnioskowanie o kategorii, do której należy dany obserwowany obiekt. Częściowo dzięki wykorzystaniu informacji o znanych cechach obiektu, cyfrowe zarodki są użyteczne. Badając ten proces wnioskowania, załóżmy, że zadanie kategoryzacji jest binarne.

Oznacza to, że są tylko dwie możliwe kategorie i że nasze zadanie polega na odróżnieniu kategorii K od kategorii L, niech C będzie zmienną kategorii, 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 kategoria to K, biorąc pod uwagę informacje na obrazie. Podobnie, aby uzyskać prawdopodobieństwo, że kategoria to L, wybierz kategorię o wyższym prawdopodobieństwie.

Na przykład zacznij od tej funkcji fragmentu informacyjnego i wartości progowej 0,69. Zadanie polega na ustaleniu, czy ta cecha jest obecna na danym obrazie, takim jak skrajny prawy obraz na drodze G trzy. Najpierw przesuń szablon po wszystkich możliwych lokalizacjach na obrazie, oblicz w każdej lokalizacji, wartość bezwzględną znormalizowanej korelacji krzyżowej między szablonem a bazowym obrazem podrzędnym.

Następnie wybierz lokalizację obrazu o najwyższej wartości. Jeśli ta wartość jest wyższa od progu, wnioskuj, że funkcja jest obecna, w przeciwnym razie wnioskuj, że jest nieobecna. W ramach wnioskowania opartego na cechach zakładamy, że wszystkie informacje, które obserwator wydobywa z obrazu, są zawarte w wartości tej cechy.

W związku z tym zadanie polega na wyznaczeniu wartości F w danym obrazie obliczeniowym prawdopodobieństw dla tej wartości F i wybraniu kategorii o wyższym prawdopodobieństwie. Jest to struktura bayesowska służąca do zestawiania wszystkich istotnych prawdopodobieństw. Zauważ, że mianownik w obu równaniach jest taki sam, więc ogranicz uwagę do licznika.

Załóżmy, że a priori płaski, czyli obie kategorie są aprioryczne. Równie prawdopodobne jest, że zadanie polega teraz na obliczeniu prawdopodobieństwa wystąpienia danej wartości cechy na obrazie danej kategorii C. Na przykład użyj sześciu obrazów kategorii L jako przykładów, aby obliczyć prawdopodobieństwo, że cecha jest obecna na obrazie kategorii L. Najpierw weź wszystkie obrazy treningowe, które należą do L dla każdego obrazu, Określ, czy wartość elementu jest równa równej liczbie elementów, które oznaczają, że funkcja jest obecna na obrazie, czy zero, co oznacza, że funkcja jest nieobecna. Następnie oblicz ułamek obrazów, w których wartość cechy wynosi jeden.

W związku z tym prawdopodobieństwo, że obiekt jest obecny na obrazie kategorii L, wynosi 0,33, aby uzyskać dokładne oszacowania, należy użyć co najmniej 30 obrazów na kategorię. W typowym eksperymencie musielibyśmy znać wewnętrzne oszacowanie tego prawdopodobieństwa przez badanego. Zwróć uwagę, że korzystanie z cyfrowych embrionów sprawia, że jest to szczególnie łatwe.

Ponieważ mamy pełną kontrolę nad ekspozycją badanego na cyfrowe embriony, możemy być pewni, że wewnętrznie obliczona wartość badanego jest zgodna z naszymi szacunkami i nie ma na nią wpływu żadne niekontrolowane i nieznane wcześniejsze doświadczenia. W podobny sposób oblicz prawdopodobieństwa braku i obecności obrazu w kategoriach K i L. Biorąc pod uwagę te wartości, można przeprowadzić wnioskowanie w celu zidentyfikowania etykiety kategorii tego nowego obrazu. Najpierw określ, czy cecha F jest obecna na obrazie, korzystając z poprzednich wzorów określonych dla prawdopodobieństw nienormalnych i właśnie obliczonych wartości, oblicz prawdopodobieństwa obecności na obrazie kategorii K i L. Dane te wskazują, że obraz należy do kategorii K. Chociaż ze stosunkowo niską pewnością, wirtualna morfogeneza oferuje nieograniczoną podaż nowatorskich kształtów 3D.

W tym przypadku cyfrowe zarodki są generowane poprzez symulację kluczowych procesów biologicznej embriogenezy. Każdy bieg rozpoczyna się od dwudziestościanu i generuje unikalny zarodek. W oparciu o ustawienia morfogenu, cyfrowe embriony mogą być manipulowane graficznie w celu tworzenia scen wizualnych o dowolnej złożoności przy użyciu dowolnego standardowego zestawu narzędzi graficznych.

Na przykład ten sam zarodek cyfrowy może mieć inną teksturę i być oświetlony zgodnie z potrzebami. Ponadto sceny wizualne o dowolnej złożoności, takie jak ta scena z cyfrowym embrionem zakamuflowanym na podobnie teksturowanym tle, mogą być tworzone przy użyciu dostępnego na rynku środowiska modelowania i renderowania 3D. Algorytm wirtualnej fizagenezy naśladuje ewolucję biologiczną.

Algorytm wirtualnej fizagenezy naśladuje ewolucję biologiczną. Nowe obiekty i kategorie obiektów wyłaniają się jako dziedziczne wariacje, które kumulują się wybiórczo, ale w miarę rozwoju gromadzą własne zmiany kształtu. W tym konkretnym przykładzie, pojedynczym wspólnym przodku, dwudziestościan daje trzy pokolenia potomków.

Złożoność kształtu wzrasta od dwudziestościanu do generacji G pierwszej, ponieważ pozwalamy na zwiększenie liczby komórek, ale ogólna złożoność kształtu pozostaje taka sama od pierwszej generacji G. To drzewo genealogiczne jest porównywalne pod innymi względami, ale wykorzystuje obiekty inne niż embrionalne, które zostały pobrane od dostawców obiektów wirtualnych. Zauważ, że obiekty, które mają wspólnego przodka, po prostu stanowią kategorię.

Ponieważ w żadnym pokoleniu nie dozwolono na podziały komórek, wszelkie zmiany kształtu wynikają wyłącznie z ruchu i/lub wzrostu poszczególnych komórek danego obiektu. W tym scenariuszu morfing tworzy płynne zmiany kształtu poprzez interpolację między odpowiadającymi sobie wierzchołkami dwóch wyznaczonych obiektów. Skrajna lewica i skrajna prawica.

Składniki zasady zarodka tworzą również płynne zmiany kształtu. Ten zarodek reprezentuje średnią arytmetyczną 400 zarodków. W tym konkretnym przypadku pierwsze dwa główne składniki stanowiły odpowiednio 73% i 19% informacji o kształcie.

Zarodki uzyskano poprzez zmianę ważonych wartości własnych. Te cyfrowe zarodki mogą być renderowane jako wirtualne obiekty 3D, a następnie drukowane jako obiekty dotykowe za pomocą standardowej, dostępnej na rynku drukarki 3D lub prototypu do badania percepcji wzrokowej jako wnioskowania, w szczególności jako wnioskowania bayesowskiego. Cyfrowe zarodki są nieocenionym narzędziem do tworzenia nowych kategorii z kontrolowanymi parametrami, takimi jak a priori i prawdopodobieństwa.

Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak stworzyć zestaw cyfrowych embrionów odpowiednich dla Twojego konkretnego eksperymentu. Można łatwo tworzyć pojedyncze obiekty lub całe kategorie o różnym stopniu zmienności i złożoności. Powstałe obrazy można wykorzystać do eksperymentów z rozpoznawaniem obiektów, kategoryzacją, uczeniem się kategorii i wieloma innymi.