Criação de Objetos e categorias de objetos para o Estudo Percepção e Aprendizagem Perceptual

Este procedimento tem como objetivo criar objetos e categorias de objetos para estudar como percebemos e aprendemos a perceber objetos pela visão e/ou pelo tato. Primeiro, a morfogênese virtual ou VM é utilizada para simular os processos de desenvolvimento embrionário inicial e criar novos objetos virtuais tridimensionais naturalistas chamados de embriões digitais. Em seguida, utilizando a filogênese virtual ou VP, são criadas categorias de objetos com propriedades estatísticas precisamente definidas com base no embrião digital de entrada.

Se desejado, a análise de componentes principais pode ser usada para criar variações adicionais de forma entre os objetos virtuais criados pela morfogênese virtual e pela filogênese virtual. A probabilidade de um determinado objeto pertencer a uma determinada categoria pode ser calculada com precisão usando inferência bayesiana baseada em características. Se necessário, impressões hápticas dos objetos virtuais resultantes podem ser geradas usando uma impressora 3D.

Cada um desses métodos será ilustrado em maior detalhe posteriormente em comparação com os métodos existentes. Essas novas abordagens criam variações de forma naturalistas, mas precisamente mensuráveis, que surgem sem a necessidade de restrições impostas pelo pesquisador. Elas oferecem ferramentas inovadoras nas áreas da percepção visual e háptica, aprendizado perceptual e visão computacional, e possuem aplicações potenciais na reabilitação de diversos tipos de deficiências visuais por meio do treinamento cruzado visual-háptico.

Curiosamente, este método também pode ser aplicado para estudar os próprios processos de morfogênese e evolução, e tivemos a ideia inicial deste método ao procurar formas de gerar estímulos visuais naturalísticos, mas precisamente definíveis, para estudos de visão computacional. Inicialmente, indivíduos que conheceram este método poderiam ter dificuldades com seus aspectos intensivos em matemática e programação, portanto, esta demonstração visual ilustrará como implementar e utilizar corretamente este método. No workshop do embrião digital, especifique um conjunto de configurações ou genótipo para gerar um único embrião ou para gerar múltiplos embriões.

Repita este processo várias vezes para gerar formas mais complexas por meio da morfogênese virtual. Aumente o número de ciclos de crescimento para especificar quantas vezes as células do embrião se dividirão. O laboratório de embriões digitais salva automaticamente cada embrião como um arquivo OBJ, permitindo que você utilize o embrião posteriormente com kits comerciais de modelagem 3D.

Gere os estímulos visuais ajustando diversos parâmetros gráficos padrão, como orientação, tamanho, iluminação, textura da superfície e fundo, para gerar categorias de objetos. Crie descendentes de um objeto ancestral de maneira hierárquica. Você também pode variar suavemente a forma utilizando morfing, mantendo ao mesmo tempo a correspondência um a um dos vértices entre os objetos.

Curiosamente, objetos virtuais diferentes de embriões digitais também podem ser usados como entradas para a filogênese virtual. Selecione objetos dentro de uma determinada categoria para obter uma distribuição específica de características. Por exemplo, se você deseja criar duas categorias que diferem em tamanho, elimine seletivamente objetos de tamanho médio para gerar uma distribuição bimodal dos tamanhos dos objetos.

Agora, meça objetivamente a semelhança entre um par dado de categorias utilizando métodos filogenéticos disponíveis, como a correlação cofonética. Esses cálculos podem ser realizados usando conjuntos de ferramentas analíticas comumente disponíveis, como MATLAB ou R, para qualquer par dado de objetos em que cada vértice de um objeto corresponda exatamente a um vértice do outro objeto, sendo o morphing direto. Selecione os pontos de interpolação e utilize o morphing linear entre os dois objetos para interpolar suavemente entre os vértices correspondentes.

Primeiro, determine os componentes principais como descritores específicos de um determinado conjunto de objetos. Os componentes principais podem ser calculados usando MATLAB ou R médio, as coordenadas de cada vértice em todos os N objetos de entrada para gerar um objeto médio, multiplique qualquer componente P pelo valor próprio correspondente lambda e um peso desejado wj, e adicione ao objeto médio para gerar um novo objeto. Continue variando suavemente wj para criar variações suaves de forma ao longo de um componente principal dado.

Para criar uma grade multidimensional de formas, utilize um conjunto de pesos para cada uma das várias componentes principais. Imprima objetos 3D usando um prototipador 3D. Se necessário, ajuste o tamanho do objeto e alise a superfície para otimizar a impressão.

Uma tarefa importante no processamento visual é inferir a categoria à qual pertence um determinado objeto observado. Em parte ao utilizar as informações sobre características conhecidas do objeto, os embriões digitais são úteis. Ao estudar esse processo inferencial, vamos supor que a tarefa de categorização seja binária.

Ou seja, existem apenas duas categorias possíveis e nossa tarefa envolve distinguir a categoria K da categoria L; seja C a variável de categoria, onde C é igual a K ou C é igual a L conforme a imagem observada I pertença à categoria K ou L, respectivamente. Assumindo que há exatamente uma característica binária F, calcule a probabilidade de a categoria ser K dada a informação na imagem. De forma análoga, para a probabilidade de a categoria ser L, escolha a categoria com a probabilidade mais alta.

Por exemplo, comece com esta característica informativa de fragmento e um valor limite de 0,69. A tarefa consiste em determinar se essa característica está presente em uma imagem específica, como a imagem mais à direita na estrada G três. Primeiro, deslize o modelo sobre todas as posições possíveis na imagem e calcule, em cada posição, o valor absoluto da correlação cruzada normalizada entre o modelo e a subimagem subjacente.

Em seguida, selecione a localização da imagem com o valor mais alto. Se esse valor estiver acima do limiar, conclua que a característica está presente; caso contrário, conclua que ela está ausente. No âmbito da inferência baseada em características, assumimos que toda a informação que o observador extrai da imagem está contida no valor dessa característica.

Portanto, a tarefa consiste em determinar o valor de F na imagem fornecida, calculando as probabilidades para esse valor F e selecionando a categoria com maior probabilidade. Esta é a abordagem bayesiana para reunir todas as probabilidades relevantes. Observe que o denominador nas duas equações é o mesmo, portanto, concentre-se apenas no numerador.

Considere uma distribuição a priori uniforme em que ambas as categorias são a priori igualmente prováveis. A tarefa agora é calcular a verossimilhança, ou seja, a probabilidade de um determinado valor de característica em uma imagem de uma categoria C específica. Por exemplo, utilize as seis imagens da categoria L como exemplos para calcular a probabilidade de que a característica esteja presente em uma imagem da categoria L. Primeiro, selecione todas as imagens de treinamento que pertencem a L; para cada imagem, determine se o valor da característica é um (isto é, a característica está presente na imagem) ou zero (isto é, a característica está ausente). Em seguida, calcule a fração de imagens em que o valor da característica é um.

Portanto, a probabilidade de a característica estar presente em uma imagem da categoria L é de 0,33; para estimativas precisas, utilize pelo menos 30 imagens por categoria. Em um experimento típico, precisaríamos conhecer a estimativa interna do sujeito dessa probabilidade. Observe como o uso de embriões digitais torna isso especialmente fácil.

Como temos controle total sobre a exposição do sujeito aos embriões digitais, podemos ter certeza de que o valor calculado internamente pelo sujeito é consistente com nossa estimativa e não é influenciado por qualquer experiência prévia não controlada e desconhecida. De maneira semelhante, calcule as probabilidades de ausência e presença da imagem nas categorias K e L. Dados esses valores, pode-se realizar inferência para identificar o rótulo da categoria dessa nova imagem. Primeiro, determine se a característica F está presente na imagem, utilizando as fórmulas anteriores determinadas para probabilidades não normalizadas e os valores recém-calculados; em seguida, calcule as probabilidades de presença na imagem das categorias K e L. Esses dados indicam que a imagem pertence à categoria K. Embora com confiança relativamente baixa, a morfogênese virtual oferece um suprimento ilimitado de formas 3D novas.

Aqui, embriões digitais são gerados por meio da simulação de processos-chave da embriogênese biológica. Cada execução começa com um icosaedro e gera um embrião exclusivo. Com base nas configurações de morfógenos, os embriões digitais podem ser manipulados graficamente para criar cenas visuais de complexidade arbitrária utilizando qualquer toolkit gráfico padrão.

Por exemplo, o mesmo embrião digital pode ser texturizado de maneira diferente e iluminado conforme desejado. Além disso, cenas visuais de complexidade arbitrária, como esta cena com um embrião digital camuflado contra um fundo com textura semelhante, podem ser criadas usando um ambiente comercialmente disponível de modelagem e renderização 3D. O algoritmo de filoagenese virtual emula a evolução biológica.

O algoritmo virtual de agênese filética emula a evolução biológica. Novos objetos e categorias de objetos surgem como variações herdáveis que se acumulam seletivamente, mas desenvolvem variações de forma próprias à medida que evoluem. Neste exemplo específico, um único ancestral comum, o icosaedro, produz três gerações de descendentes.

A complexidade da forma aumenta a partir do icosaedro até a geração G1, pois permitimos que o número de células aumente, mas a complexidade geral da forma permanece a mesma a partir da Geração G1 em diante. Esta árvore genealógica é comparável em outros aspectos, mas utiliza objetos não embriões que foram baixados de fornecedores de objetos virtuais. Observe que os objetos que compartilham um ancestral comum constituem diretamente uma categoria.

Como nenhuma divisão celular foi permitida em qualquer geração, todas as variações de forma resultam exclusivamente do movimento e/ou crescimento das células individuais do objeto dado. Nesse cenário, a transformação cria variações suaves na forma por meio da interpolação entre os vértices correspondentes dos dois objetos designados. À extrema esquerda e à extrema direita.

Os componentes principais do embrião também criam variações suaves na forma. Este embrião representa a média aritmética de 400 embriões. Neste caso específico, os dois primeiros componentes principais explicaram 73% e 19% da informação de forma, respectivamente.

Os embriões foram obtidos mediante a variação dos valores próprios ponderados. Esses embriões digitais podem ser renderizados como objetos virtuais tridimensionais e, em seguida, impressos como objetos hápticos utilizando uma impressora 3D ou prototipadora padrão disponível comercialmente, para o estudo da percepção visual como inferência, em particular como inferência bayesiana. Os embriões digitais são uma ferramenta indispensável para criar categorias novas com parâmetros controlados, tais como probabilidades a priori e verossimilhanças.

Após assistir a este vídeo, você deverá ter uma boa compreensão de como criar um conjunto de embriões digitais adequado para o seu experimento específico. Objetos individuais ou categorias inteiras com diferentes graus de variabilidade e complexidade podem ser facilmente criados. As imagens resultantes podem ser utilizadas em experimentos de reconhecimento de objetos, categorização, aprendizado de categorias e muitos outros.