Neuroscience

إنشاء كائنات وفئات كائن لدراسة الإدراك الحسي والتعلم

Published: November 2, 2012 doi: 10.3791/3358

Karin Hauffen^1,2,3, Eugene Bart⁴, Mark Brady⁵, Daniel Kersten⁶, Jay Hegdé^1,2,3

¹Brain and Behavior Discovery Institute, Georgia Health Sciences University, ²Vision Discovery Institute, Georgia Health Sciences University, ³Department of Opthalmology, Georgia Health Sciences University, ⁴Intelligent Systems Laboratory, Palo Alto Research Center, ⁵Pattern Recognition Systems, Palo Alto Research Center, ⁶Department of Psychology, University of Minnesota

Summary

وصفنا منهجية جديدة لخلق طبيعي 3-D الكائنات والفئات الكائن مع وجود اختلافات ميزة محددة بدقة. نستخدم محاكاة العمليات البيولوجية وعلم تطور السلالات من التشكل لإنشاء وطبيعي رواية الظاهري الكائنات 3-D والفئات الكائن الذي يمكن بعد ذلك تقديم والصور المرئية أو كائنات لمسي.

Protocol

1. خلق طبيعي الظاهري 3-D كائنات باستخدام VM

لخلق أجنة الرقمية، ورشة عمل استخدام الأجنة الرقمية (DEW، انظر الجدول 1). كل تشغيل يولد الجنين واحدة ^14، وشكل منها هي فريدة من نوعها لمجموعة معينة من الإعدادات (أو "النمط الجيني ') المستخدمة لتشغيل معين (الشكل 1). يتم تمثيل 'خلايا' من الجنين على شكل مثلثات ^14.
1. تشغيل البرنامج عدة مرات حسب الحاجة لإنشاء العدد المطلوب من الأجنة.
2. إذا المطلوب الأشكال أكثر تعقيدا، وزيادة عدد دورات النمو، أي عدد من المرات خلايا الجنين والانقسام. لاحظ أن هذا سوف يتباطأ أيضا إلى أسفل البرنامج. إذا كان ذلك ضروريا لإنشاء كائنات افتراضية أخرى من الأجنة الرقمية، استخدم أدوات النمذجة المتاحة تجاريا 3-D أو الحصول على الأشياء الافتراضية من الباعة التجارية (الجدول 1).
ومن المسلم به عموما ينصح حفظ الكائن الظاهريق في تنسيق ملف شائعة الاستخدام، مثل OBJ، بحيث يمكن استيرادها الكائنات بسهولة إلى مجموعة أدوات النمذجة التجارية 3-D. لهذه الغاية، DEW يكتب الكائنات في شكل OBJ بشكل افتراضي.
يمكن أن تتولد المحفزات البصرية باستخدام واحد أو أكثر من الأجنة باستخدام النمذجة الرقمية 3-D وجعل البيئة (الجدول 1). استخدام عمليات الرسومية القياسية مثل متفاوتة اتجاه والحجم والملمس الإضاءة السطحية، والخلفية لإنشاء مؤثرات المطلوب (انظر الشكل 2).

2. إنشاء كائن طبيعي باستخدام فئات VP

لتوليد فئات الكائن، وتوليد نسل (أو "الأطفال") من سلف معين (أو "الأم") الكائن باستخدام مزيج المرجوة من عمليات في الخطوة 1.1 أعلاه (الشكل 3) ^{9،10،12،13.}
1. وصف بعض الأساليب أدناه لخلق اختلافات شكلها الناعم، مثل تركيب أو المكونات الرئيسية (انظر الخطوات 3 و 4 أدناه)، BETT العملإيه لو أن كل الكائنات المدخلات لها نفس العدد من الخلايا وإذا كان هناك واحد الى واحد المراسلات بين القمم من الكائنات. لإنشاء كائنات من هذا القبيل، فقط استخدام تلك العمليات VM التي لن تغير من عدد الخلايا ويحافظ على المراسلات واحد الى واحد من القمم بين الكائنات (انظر، على سبيل المثال، أجيال G ₂ G ₃ لفي الشكل 3). على سبيل المثال، انقسام الخلية وموت الخلية المبرمج تغيير عدد من الخلايا، وجعلها أكثر صعوبة (وإن لم يكن من المستحيل ^17،18) لتحديد واحد الى واحد المراسلات بين القمم من زوج معين من الكائنات.
  لاحظ أن العمليات التي تغير من عدد الخلايا في كائن معطى أيضا تغيير شكل تعقيدها. بشكل عام، كلما زاد عدد الخلايا، وزيادة تعقيد شكل الجسم وسلاسة سطحه.
2. إذا يمكن أن تستخدم اللازمة، والأشياء الظاهرية الأخرى من الأجنة الرقمية كمدخلات لVP (الشكل 4).
يمكن الكائنات ضمن فئة معينة مختارة أخرى وذلك لتحقيق توزيع معين من ميزات ^19. على سبيل المثال، يمكن للمرء قضاء انتقائي متوسطة الحجم الكائنات من فئة معينة من أجل توليد توزيع ذات النسقين حجم الجسم.
ليس هناك طريقة واحدة وهذا هو الأمثل عالميا لقياس المعلومات المتاحة شكل لجميع فئات، وليس هناك أسلوب واحد وهذا هو الأمثل لتصنيف كافة الكائنات ^20-22. وبالتالي، يجب أن experimentor اختيار هذه الأساليب على أساس الفئات والأهداف الحسابية في متناول اليد ^20-22. الخطوة 4 يصف الطريقة المستخدمة عادة لمعالجة جوانب مختلفة من المعلومات المتاحة الشكل.
يمكن التشابه بين زوج معين من فئات قياس موضوعي باستخدام أساليب النشوء والتطور المتاحة ^23،24. على سبيل المثال، الرأسي (أو "التطور") المسافة بين زوج معين من الفئات، مقاسا CL الهرميustering الأساليب في مجموعة الأدوات الإحصائية R، هو تدبير الهدف من التشابه الفئة ^25،26.

3. طرق إضافية خلق التغير الشكل: مورفينغ الرقمية

إعطاء أي زوج من الكائنات بحيث أن كل رأس من كائن واحد يناظر احد بالضبط من قمة الرأس كائن آخر (. أي كائنات واحد الى واحد المراسلات بين القمم)، تتحول هي ^{17،18،27-29} مباشرة: في هذه الحالة، يتم إنتاج نحو سلس الاختلافات (أو 'نقرأ') بين جسمين من التحريف بسلاسة بين القمم المقابلة والأوضاع الطبيعية (الشكل 5). اعتمادا على زوج من الكائنات المختارة، سوف تتحول يؤدي إلى فئات جديدة أو إضافية الأطفال ضمن الفئة.
1. تم إنشاء الكائنات هو موضح في الشكل 5 باستخدام خطي ^27-29 تتحول. يمكن تحولت الكائنات (أو مشوه) من قبل مجموعة واسعة من التقنيات الأخرى المتوفرة تشوه ^17،18.
2. لإنشاء توزيع المرجوة من الأشكال منقولة، اختر نقطة الاستيفاء وفقا لذلك.
4. طرق إضافية خلق التغير الشكل: المكونات الرئيسية
1. من اجل استخدام المكونات الرئيسية لتوليد اختلافات الشكل، يحتاج المرء أولا تحديد المكونات الرئيسية ^15. المكونات الرئيسية هي محددة لمجموعة معينة من الأشياء المستخدمة لتحديد لهم ^26. لتحقيق نتائج جيدة، واستخدام الكائنات لا يقل عن 30 واحد الى واحد المراسلات بين القمم ^26.
2. توليد كائن متوسط من مجموعة من الكائنات المطلوب إدخال N، بشكل منفصل عن طريق حساب متوسط الإحداثيات وطبيعية في كل قمة الرأس في جميع الكائنات. وهكذا، فإن تنسيق X ك من قمة الرأس معينة من يجب أن يكون متوسط إحداثيات X ك قمة الرأس من كافة الكائنات ن، وهكذا دواليك.
3. استخدم الدالة مطلب princompلتحديد المكونات الرئيسية للكائنات ن. وهذا يولد N-1 غير صفرية المتجهات الذاتية، جنبا إلى جنب مع القيم الذاتية N-1 المقابلة ^26.
4. لإنشاء كائن جديد A _ي من مكون معين الرئيسي P _{ط، ط} ف مضاعفة من قبل _ط المقابلة λ معامل التحول الخطى والوزن المرغوب _ي ث وإضافة إلى كائن متوسط:
  A _ي ث _ي = + λ _{ط ط} P
5. وكل فريدة من نوعها ث _ي توليد كائن فريد من نوعه. من خلال تغيير بسلاسة ث، يمكن للمرء خلق الاختلافات شكلها الناعم على طول العنصر الرئيسي معين.
6. لخلق اختلافات الشكل على طول بعدا شكل مستقل، كرر الخطوة 4.4 باستخدام المكون الرئيسي مختلفة.
7. لإنشاء توزيع المرجوة من الأشكال على طول العنصر الرئيسي معين، استخدام التوزيع المطلوب من ث. </ لى>
8. لإنشاء شبكة متعددة الأبعاد من الأشكال، استخدام مجموعة من الأوزان لكل من المكونات الرئيسية عدة:
5. إنشاء إصدارات اللمسية من 3 D-كائنات
1. 'طباعة المغادرة "3-D الكائنات باستخدام prototyper 3-D (أو 3-D" الطابعة "). إذا لزم الأمر، وضبط حجم الكائن وسلس سطح الكائن قبل الطباعة.
6. تطبيق نموذج: الاستدلال النظرية الافتراضية من الفئة الصورة
1. مهمة هامة في معالجة بصرية واستنتاج الفئة التي كائن معطى ينتمي المرصودة. على الرغم من أن الآلية الدقيقة لهذا الاستنتاج غير معروف، هناك أدلة على حد سواء الحسابية والفسيولوجية ^{9،12،13،30-32} ما يتعلق به وذلك باستخدام معلومات حول ميزات المعروفة للكائن في الصورة نظرا لاستنتاج فئة الكائن. هنا، فإننا سوف illustraالشركة المصرية للاتصالات كيفية عمل هذه العملية استنتاجي في إطار النظرية الافتراضية، وكيف الرقمية الأجنة قد تكون مفيدة للبحث في هذا المجال.
2. للتبسيط، فإننا نفترض أن المهمة التصنيف هو ثنائي وينطوي على تمييز K L فئة من فئة (الشكل 3). اسمحوا يكون المتغير C الفئة. فإننا نستنتج أن C = C = K أو L فقا لما إذا كانت الصورة لاحظت ينتمي إلى فئة أو K L. A نهج نموذجي لتصنيف ينطوي على:
  1. حساب احتمال أن الفئة K نظرا للمعلومات في الصورة، تدل ع (C = K | I)؛
  2. حساب احتمال أن الفئة L نظرا للمعلومات في الصورة، تدل ع (C = L | I)، و
  3. اختيار الفئة مع ارتفاع احتمال.
3. المقبل، سوف نفترض لبساطةأن هناك ميزة بالضبط ثنائي طراز F. هذه الميزة قد تكون موجودة إما في الصورة (الرمز F = 1) أو غائبة عن الصورة (الرمز F = 0). وهذا المثال استخدام "جزء بالمعلومات 'ميزة هو موضح في الشكل 8. ووصف لأول مرة من قبل أولمان شظايا بالمعلومات وزملاؤه ^33. في هذه الحالة، سوف نستخدم قالب صورة هو موضح في الشكل (8)، ميزة، وقيمة عتبة 0،69. لتحديد ما إذا هذه الميزة موجودة في صورة معينة (ولنقل الصورة أقصى اليمين في الصف G3 في الشكل 3)، وسوف نستخدم الخطوات التالية:
  1. حرك هذا القالب على جميع المواقع المحتملة في الصورة وحساب، في كل موقع، والقيمة المطلقة للتطبيع العلاقة المتبادلة بين القالب والصورة الكامنة الفرعية.
  2. حدد موقع الصورة وفقا لأعلى قيمة (0.60 في هذه الحالة).
  3. إذا كانت هذه القيمة أعلى من عتبة، ويعقدونأن الميزة موجودة، وإلا، يخلص إلى أنه غائب. في حالتنا، لأن الارتباط 0،60 أعلى هو دون عتبة 0.69 في نستنتج أن ميزة غير موجودة في هذه الصورة.
  4. ويرد وصف الأساس المنطقي لاستخدام مثل هذه السمات، وآليات اختيار وتحديد ملامح عتبات هم خارج نطاق هذا التقرير، ولكن بالتفصيل في الحكام. 33، 30.
4. في إطار الميزة القائمة على الاستدلال، ونحن نفترض أن يرد كافة المعلومات التي مقتطفات من مراقب الصورة في قيمة هذه الميزة، ط. ه، أن P (C | I). = P (C | F).
  ولذلك، فإن المهمة تصبح من أن تحديد قيمة F في الصورة معين (حاضرا أو غائبا)، والحوسبة P (C = K | F) و ف (C = L | F) F لذلك قيمة، واختيار الفئة مع ارتفاع probability.
5. في إطار النظرية الافتراضية،
لذلك،
و

نلاحظ أن القاسم في المعادلات اثنين هو نفسه. لذلك، لمقارنة P (C = K | F) و ف (C = L | F)، فإنه ليس من الضروري لحساب القاسم، بل يكفي لحساب كميات
ف (C = K | F) α P (C = K) ف (F | C = K)
و
ف (C = L | F) α P (C = L) ف (F | L = C)
الهي التي تسمى أحيانا شرق 'الاحتمالات unnormalized'. ويطلق مصطلح ع (C) 'قبل'، وع المدى (F | C) ويسمى 'احتمال'.
1. للتبسيط، فإننا نفترض أ "شقة" قبل: P (C = K) = P (C = L) = 0.5.
2. المهمة الآن لحساب P (F | C)، فإن احتمال قيمة الميزة المقدمة في صورة لC فئة معينة.
  1. سوف نستخدم صور ستة من فئة L (الشكل 3) كمثال لحساب P (F = 1 | C = L)، واحتمال أن الميزة موجودة في صورة L الفئة.
  2. لحساب P (F = 1 | C = L)، يتخذ أولا جميع الصور التي تنتمي إلى التدريب L. مرة أخرى، تظهر هذه في الشكل 3.
  3. لكل صورة، وتحديد ما إذا كانت قيمة الميزة 1 (الحالي) أو 0 (تغيب)، كما هو موضح في (6.3.1) - (6.3.3). في حالتنا، للصور ستة في الشكل 3، والقيم هي: [0، 0، 1، 0، 1، 0].
  4. حساب جزء من الصور التي قيمة الميزة 1. في حالتنا، فإنه هو 2/6 = 0.33.
  5. ولذلك، ف (F = 1 | C = L) = 0.33. ملاحظة أن الحصول على تقديرات دقيقة، ينبغي للمرء أن استخدام لا يقل عن 30 صورة لكل فئة.
  6. بطريقة مماثلة، يمكننا أن حساب P (F = 0 | C = L) = 0.67، P (F = 1 | C = K) = 0.83، P (F = 0 | C = K) = 0.17.
3. ونظرا لهذه القيم، يمكن إجراء الاستدلال. نفترض أن تعطى لنا صورة جديدة (الشكل 9)، وتتمثل مهمته في تحديد تسميته الفئة. يتم عمل هذا على النحو التالي:
  1. نحن تحديد ما إذا كانت ميزة F موجود في الصورة، كما هو موضح في (6.3.1) - (6.3.3). في حالتنا، والهيئة الاتحادية للبيئةتلح موجودا، لذلك F 1 =.
  2. باستخدام المعادلات (1) و (2)، والقيم المحسوبة في (6.7.5) - (6.7.6)، ونحن يمكن أن حساب P (C = K | F = 1) = 0.42 و p (C = L | F = 1) = 0.17.
  3. تقدم هذه المعلومات، إلا أنه موقف عقلاني للاستنتاج بأن الصورة هي من الفئة K، مع ثقة منخفضة نسبيا.
4. يمكن أن تكون مثيرة للاهتمام ومفيدة لاختبار هذا النهج في النظام البيولوجي (ويقول، psychophysically). في هذه الحالة، يمكن إجراء مقارنة التنبؤات السلوكية وضد نتائج الحسابية مثل تلك التي حصلنا عليها في (6.8.2). لوضع توقعات دقيقة، تقديرات جيدة من P (F | C) ضرورية. مثل هذه التقديرات، ومع ذلك، قد يكون من الصعب الحصول على لكائنات مألوفة. والسبب هو أن موضوع لتقدير ف (F | C) لا يمكن ملاحظتها مباشرة، وأنه من الصعب للغاية لحساب هذا الموضوع منذالتعرض لقبل الصور الطبيعية لا يمكن التحكم فيه وغير معروفة. في المقابل، إذا تم استخدام الأجنة الرقمية للتجارب، ثم أنه من الممكن التحكم بدقة الأجنة والفئات التي تتعرض الأجنة الموضوع إلى. هذا يجعل من السهل لحساب كميات من الاهتمام من البيانات بالضبط نفس تعرضت لهذا الموضوع. حقيقة أن ظهور الأجنة 'هو طبيعي مفيد، لأنه يجعل من المرجح أن موضوع يستخدم استراتيجية نفس التصنيف مع التصنيفات الطبيعية.

Representative Results

ويمكن استخدام VM لإنشاء إمدادات غير محدودة تقريبا من الأشكال رواية 3-D. وتظهر بعض الأجنة التي تم إنشاؤها باستخدام نموذج رقمي الخوارزمية VM في لوحة أسفل الشكل 1. تم إنشاؤها كل من هذه الأجنة باستخدام 16 من برنامج "growEmbryos.exe 'في جنين أدوات رقمية للسيغوين (انظر الجدول 1) لمدة 40 النمو دورات. تم تعيين كافة المعلمات النمو الأخرى داخليا من قبل البرنامج. وكانت معظم هذه المعايير الثابتة (أي متطابقة من جنين واحد إلى آخر). وعدد قليل من المعالم مثل الموقع وقوة مصادر محدثة التخلق، المعلمات عشوائية تعيين داخليا من قبل البرنامج بشكل مستقل لكل التشغيل. نشأت الاختلافات بين هذه الأجنة شكل 16 فقط نتيجة للتغيرات في هذه المعلمات عشوائي.

وترد بعض الأمثلة على سطح التركيب ^34،35 استخدام بعض القوام اختيار الشكل 2A تعسفا في. مشاهد بصرية منيمكن إنشاء تعقيد rbitrary باستخدام متوفرة تجاريا 3-D النمذجة وجعل البيئة، كما هو مبين في الشكل 2B.

ويرد 'شجرة العائلة' A ممثل الناتجة عن استخدام الاجنة VP الرقمية في الشكل 3. ويمكن أيضا مقارنة أشجار يتم بناؤها باستخدام كائنات أخرى غير الأجنة الرقمية، كما هو موضح في الشكل 4. لاحظ أنه في كلتا الحالتين، الكائنات التي تشترك في سلف مشترك بشكل مباشر تشكل فئة، على الرغم من أن المجرب قد تختار أيضا لتعريف الفئة عن أي مجموعة أخرى من الكائنات. تجدر الإشارة إلى أن من الشكل 4 تنفيذنا الحالي للVM والخوارزميات VP يميل إلى إنتاج نحو سلس نسبيا، الأسطح المنحنية، بدلا من الكائنات خشنة أو شقة. ومن الجدير بالذكر أيضا أن هذا هو المفترض الحد من تنفيذنا لهذه الخوارزميات وليس الخوارزميات أنفسهم، يمكن أن تنتج منذ عمليات biolological objecTS مع الأسطح المسطحة والخطوط المتعرجة (على سبيل المثال، ورقة الورد).

أرقام 5 و 6 توضيح النتائج نموذجية من طريقتين التي يمكن استخدامها بالإضافة إلى، أو بدلا من، نائب الرئيس لخلق اختلافات في الشكل المبدئي والفئات كائن كائن.

لوحة أعلى الشكل 7 يوضح الاداءات البصرية اثنين من الأجنة الرقمية، والجزء السفلي من لوحة الشكل 7 يوضح المطبوعات المقابلة التي تم إنشاؤها بواسطة prototyper 3-D متاحة تجاريا.

أرقام 8 و 9 توضيح الإجراءات المذكورة في القسم (6) لاستخدام أجزاء الصورة لتصنيف كائن معطى البصرية.

الشكل 1. الظاهري التشكل. 14. يمكن أن تتولد من خلال محاكاة رقمية الأجنة واحد أو أكثر من بعض العمليات البيولوجية الأساسية لمرحلة التطور الجنيني: محدثة التخلق بوساطة انقسام الخلايا، نمو الخلايا، وحركة الخلية وموت الخلية المبرمج ^{7،8،36،37.} كل تشغيل يبدأ العشروني الوجوه (كما هو موضح في اللوحة العلوية)، ويولد الجنين فريدة من نوعها، اعتمادا على إعدادات المعلمة VM (أو "النمط الجيني ') من ذلك الجنين. وهكذا، فإن 16 في الأجنة لوحة أسفل يكون مختلف الأشكال، لأن لديهم أنماط جينية جميع مختلفة. لاحظ أنه يمكن إنشاء أشكال معقدة أبسط أو أكثر حسب الحاجة (على سبيل المثال، لتحفيز الخلايا العصبية على النحو الأمثل في مستوى معين من التسلسل الهرمي البصري) عن طريق التلاعب في التركيب الوراثي للجنين. وكانت جميع العمليات المذكورة أعلاه باستثناء تخلقي موت الخلايا المبرمج محاكاة في توليد أجنة مبين. محاكاة موت الخلايا المبرمج هو خاصةمفيدة لخلق المسافات البادئة المستهدفة (لا يظهر).

الشكل 2. خلق المحفزات البصرية باستخدام أجنة الرقمية. مثل أي كائن 3-D الظاهري، ويمكن التلاعب بالرسوم والصور الرقمية أجنة لخلق مشاهد بصرية التعسفي من التعقيد باستخدام أي معيار 3-D أدوات رسومية. هذا الرقم يوضح بعض التلاعب المشتركة. (A) الجنين نفسه الرقمية هو محكم باستخدام مواد مختلفة وكثيرة، ومضاءة من مصدر ضوء مرئي في أعلى اليسار. (B) يتم إنشاء مشهد مموهة عن طريق تغيير حجم وإعادة توجيه الجنين الرقمية و وضع رقميا على خلفية نفس كان محكم مع. ويمكن الاطلاع على الجنين الرقمية في "عرض عادي" في الربع السفلي الأيمن. للحصول على أمثلة إضافية من لجنة المساواة العرقية المحفزات البصريةated باستخدام أجنة الرقمية، انظر الحكام. 9،10،12-14،38.

الشكل 3. إنشاء فئات الجنين الرقمية باستخدام VP. الخوارزمية VP يحاكي التطور البيولوجي، في أنه في كلتا الحالتين، وكائنات وفئات رواية كائن ستخرج الموروثة عن الاختلافات تتراكم بشكل انتقائي. في كل جيل G _ط، اختيار الأجنة الإنجاب، مما يؤدي إلى توليد G _{ط +1.} على سلالة ترث خصائص شكل الأم، ولكن تعود الاختلافات شكل خاص بهم (على النحو الذي يحدده الاختلافات الصغيرة في التركيب الوراثي لها) لأنها تتطور. يعرض هذا الشكل "شجرة العائلة" لثلاثة أجيال من نسل بدءا من سلف واحد مشترك، وهو العشروني الوجوه. نلاحظ أنه، في هذه الحالة، فإن الزيادات تعقيد شكل من العشروني الوجوه لgeneratأيون G _1، ولكن ليس من G ₁ فصاعدا. هذا لأنه تم السماح الزيادة في أعداد خلايا (أي.، انقسام الخلية) من العشروني الوجوه لجيل G _1، ولكن ليس من فصاعدا ₁ G. بشكل عام، انقسام الخلايا تميل إلى زيادة تعقيد الشكل، في حين تخلقية عمليات أخرى مثل حركة الخلايا وتغير شكل الخلية النمو دون تغيير التعقيد الكلي للشكل.

الشكل 4. VP باستخدام الأشياء الافتراضية بخلاف الأجنة الرقمية. هذا الرقم يساعد على توضيح المبدأ العام التي يمكن استخدامها كائنات افتراضية أخرى من الأجنة الرقمية كمدخل لنائب الرئيس. يمكن الخوارزمية VP في شكلها الحالي تعمل على أي كائن الظاهري 3-D الذي يتكون فقط من سطح المثلثات. الجيل G ₁ comprisإد من (من اليسار إلى اليمين) والقرع، والماس، وقناع الوجه، والتفاح، والصخور، والصبار. لاحظ أن الكائنات في الجيل G ₁ في هذا الرقم لم يكن لديك سلف مشترك، وذلك لأن VP لا تتطلب ذلك. الكائنات في G ₂ G ₃ وتمثل نسل الصخرة في G _1. لا سمح الانقسامات الخلوية في أي جيل، حتى يتسنى لجميع الاختلافات نشأت فقط من شكل الحركة و / أو النمو من 'الخلايا الفردية للكائن معين.

الشكل 5. باستخدام تتحول لخلق اختلافات في الشكل السلس. مورفينغ ينطوي على اتخاذ كائنين معين (أقصى اليسار وأقصى اليمين الجنين في هذا الشكل) وحساب الكائنات وسيطة (التدخل الأجنة) من التحريف بين القمم المقابلة من اختيار متكلمينكائنات د. في حالة عرض، ومحرف جميع القمم باستخدام عامل العددية نفسه، مما أدى إلى الخطية تتحول. ومع ذلك، فمن الممكن أيضا أن تتحول الكائنات غير خطي (لا يظهر). تتحول حسابيا واضح ومباشر عندما يكون هناك بالضبط واحد الى واحد المراسلات بين كائنين من القمم، كما في حالة معروضة. ومع ذلك فإنه من الممكن من حيث المبدأ، ليتحول بين أي جسمين الظاهري نظرا بغض النظر عما إذا القمم التي تتوافق بالضبط، رغم عدم وجود طريقة فريدة للقيام بذلك المبدئي ^17،18.

الشكل 6. باستخدام المكونات الرئيسية لخلق اختلافات في الشكل السلس. (A) متوسط الجنين. هذا الجنين يمثل المتوسط الحسابي من 400 الأجنة (200 من كل من الفئات K L وفيالشكل 3). تم حساب المكونات الرئيسية كما هو موضح في الخطوة 4.3. نلاحظ أن المكونات الرئيسية تمثل مستقلة عن بعضها، أبعاد الشكل المجرد للأجنة 400 (لا تظهر) ^25،26. 400 399 الأجنة تسفر صفرية المكونات الرئيسية ^25،26، والتي تشكل في مجموعها ما الفرق في كل شيء، أو المعلومات الشكل، تتوفر مجتمعة في الأجنة. من الاتفاقية، يتم ترتيب العناصر الرئيسية في النظام انخفاض القيم الذاتية، أو نسبة التباين الكلي يشرحون ^25،26. في هذه الحالة، الأولى والثانية على التوالي تمثل المكونات الرئيسية لل73٪ و 19٪ من المعلومات المتاحة في شكل الأجنة 400. (B) الأجنة التي تمثل مختلف الأوزان (أو على نحو أدق، القيم الذاتية المرجح) من المكونات الرئيسية 1. الأوزان تختلف من +2 (أقصى اليسار) ل-2 (أقصى اليمين) في خطوات متساوية من -0،2. (C) التي تمثل أوزان الأجنة مختلفة من Compon الرئيسيةالأنف والحنجرة 2. الأوزان تختلف أيضا من +2 (أقصى اليسار) ل-2 (أقصى اليمين) في خطوات متساوية من -0.2. نلاحظ أن التلاعب المكونات الرئيسية لا حصرا أي تلاعب نظرا جزء من الجسم محددة للجنين (على سبيل المثال، أجنحة الجنين في حالة معروضة). ومع ذلك، إذا لزم الأمر، وأجزاء الجسم الظاهري يمكن 3-D يمكن معالجته الكائنات في أي أزياء التعسفي المعرفة من قبل المستخدم باستخدام أكثر من المتاحة تجاريا 3-D بيئات النمذجة (لا يظهر).

الشكل 7. إنشاء كائنات لمسي. الظاهري 3-D يمكن الكائنات المطبوعة "ككائنات لمسي باستخدام معيار، متوفرة تجاريا 3-D 'طابعة' أو prototyper. هذا الرقم يدل الأجنة الرقمية المقدمة والكائنات المرئية (الصف العلوي) أو لمسي الكائنات المقابلة (الصف السفلي). الكائنات مسي قوطبعت hown في هذا الرقم أن يكون حوالي 6 سم (شريط مقياس = 1 سم)، على الرغم من يمكن طباعة الكائنات في أحجام أصغر بكثير أو أكبر.

الرقم 8
الشكل 8. قالب لجزء سبيل المثال بالمعلومات. في هذا المثال، القالب يحتوي على عتبة 0،69 المرتبطة به.

الشكل 9. صورة جديدة لالذي لا يعرف فئة الكائن ويجب أن تحدد.

Discussion

فائدة VM وVP المعرفي في بحوث العلوم

وقد وصفت في السابق كنا فائدة VM وVP بالتفصيل ^{L9 ،10،12-14.} لفترة وجيزة، VM، وخاصة المنهجية الجنين الرقمية، مفيد لأنه يوفر طريقة مرنة والمبدئي لإنشاء الرواية، ولكن طبيعي 3-D الكائنات ^14. وبالمثل، VP يوفر طريقة المبدئي لخلق فئات طبيعي ^{9،10،12،13.} تجدر الإشارة إلى أن الفئات التي تم إنشاؤها بواسطة كائن ميزات حصة VP مع العديد من فئات الكائن في الطبيعة، بما في ذلك حقيقة أن الفئات تميل إلى أن تكون هرمية في الطبيعة، والتغيرات ميزة داخل وعبر فئات تنشأ بشكل مستقل عن مجرب والخوارزميات لتصنيف منهم ^39.

القيود الحالية والاتجاهات المستقبلية

ثلاث القيود الحالية من بروتوكول لدينا والاتجاهات للعمل في المستقبل يقترحونوتجدر الإشارة على وجه الخصوص: أولا، كل VM وVP محاكاة العمليات البيولوجية. في حين نعرض التي يمكن استخدامها غير البيولوجية الأشياء الافتراضية بمثابة ركائز لهذه العمليات، والعمليات الأساسية لا تزال دوافع بيولوجيا. ومع ذلك، الأشياء الطبيعية - البيولوجية وغير البيولوجية على حد سواء - تغيرات الشكل بسبب عدم البيولوجية القوات. على سبيل المثال، قد تتغير في شكل الصخور بسبب العمليات الجيولوجية مثل تآكل أو الترسيب. فئات جديدة قد تنشأ من الصخور الجيولوجية من العمليات الأخرى من هذا القبيل. ينبغي أن تكون واضحة نسبيا لإدراج هذه العمليات في جعبته من الخوارزميات المتاحة تغير الشكل.

القيد الرئيسي الثاني للبروتوكول لدينا هو أن يقتصر بدلا من ذخيرة الحالي يتغير شكل ديناميكي. من المستحسن أن يتم إدراج أكبر مجموعة من التغييرات الشكل، مثل حركة البيولوجية، أو الحركة بسبب قوى خارجية مثل المياه والرياح أو الجاذبية. نتوقع أنه فيلل تكون واضحة نسبيا إلى أن تمارس الحركة الكمبيوتر يعرف الخوارزميات لتنفيذ هذه التغييرات الشكل الديناميكي.

القيد الرئيسي الثالث من البروتوكول لدينا هو أن VM حاليا لا يتضمن العديد من العمليات الأخرى بما في ذلك تخلقية المعروفة، وعلى الأخص، تكون المعيدة ^36. كما أنه لا يتضمن بعض القيود المعروفة، مثل حقيقة أن توسطت التشكل في النباتات بشكل كامل عن طريق النمو، مع حركة الخلايا قليلة أو معدومة ممكن، وذلك بسبب جدران الخلايا ^36. وبالمثل، لا يتضمن VP غيرها من العمليات النشوء والتطور المعروفة مثل الانحراف الجيني ^40. ومعالجة هذه القيود يساعد كثيرا تسهيل استخدام بروتوكول لدينا في المحاكاة والتنموية والبيئية التطورية.

Disclosures

الإعلان عن أي تضارب في المصالح.

Acknowledgments

وأيد هذا العمل في جزء من مختبر أبحاث الجيش الأمريكي والجيش الأمريكي بحوث مكتب W911NF1110105 منحة ومنحة NSF-IOS 1147097to هغدة جاي. وقدمت أيضا الدعم من منحة رائد لهغدة جاي من معهد ديسكفري الرؤية من جامعة جورجيا العلوم الصحية. وأيد دانيال كيرستن من المنح ONR N00014-05-1-0124 وNIH R01 EY015261 والجزء الآخر من البرنامج (جامعة الدرجة العالم) WCU بتمويل من وزارة التعليم والعلوم والتكنولوجيا من خلال مؤسسة البحوث الوطنية لكوريا (R31-10008 ). كارين كان مدعوما من قبل برنامج Hauffen البحوث الجامعية التدريب المهني (URAP) من الجيش الأمريكي.

Materials

Name	Company	Catalog Number	Comments
Digital Embryo Workshop (DEW)	Mark Brady and Dan Gu		This user-friendly, menu-driven tool can be downloaded free of charge as Download 1 from http://www.hegde.us/DigitalEmbryos. Currently available only for Windows.
Digital embryo tools for Cygwin	Jay Hegdé and Karin Hauffen		This is a loose collection of not-so-user-friendly programs. They are designed to be run from the command-line interface of the Cygwin Linux emulator for Windows. These programs can be downloaded as Download 2 from http://www.hegde.us/DigitalEmbryos. The Cygwin interface itself can be downloaded free of charge from www.cygwin.com.
Autodesk 3ds Max, Montreal, Quebec, Canada	Autodesk Media and Entertainment	3DS Max	This is a 3-D modeling, animation and rendering toolkit with a flexible plugin architecture and a built-in scripting language. Available for most of the current operating systems.
MATLAB	Mathworks Inc., Natick, MA, USA	MATLAB	This is a numerical computing environment and programming language with many useful add-on features. Available for most of the current operating systems.
R statistical toolkit	R Project for Statistical Computing	R	Can be downloaded free of charge from http://www.r-project.org/. Available for most of the current operating systems.
OpenGL	Khronos Group	OpenGL	This cross-language, cross-platform graphical toolkit can be downloaded free of charge from www.opengl.org.
V-Flash Personal Printer	3D Systems Inc., Rock Hill, SC, USA	V-Flash	This is a good value for all 3-D printing applications described in this report. The print materials are also vended by 3D Systems, Inc. Less expensive models are available in open source form from RepRap (rapmanusa.com) and MakerGear. More expensive models (> $30 K) are available from Objet Geometries, 3DS Systems, Z-Corp, Dimension Printing etc.
TurboSquid.com	TurboSquid Inc., New York, LA	(various objects)	Various virtual 3-D objects can be downloaded from this site free of charge or for a fee.
Table 1. Table Of Specific Toolkits And Equipment.

DOWNLOAD MATERIALS LIST

References

Palmeri, T. J., Gauthier, I. Visual object understanding. Nat. Rev. Neurosci. 5, 291-303 (2004).
Seger, C. A., Miller, E. K. Category learning in the brain. Annu. Rev. Neurosci. 33, 203-219 (2010).
Perceptual Learning. Fahle, M., Poggio, T. , MIT Press. (2002).
Ashby, F. G., Maddox, W. T. Human category learning. Annu. Rev. Psychol. 56, 149-178 (2005).
Gauthier, I., Tarr, M. J. Becoming a "Greeble" expert: exploring mechanisms for face recognition. Vision Res. 37, 1673-1682 (1997).
Op de Beeck, H. P., Baker, C. I., DiCarlo, J. J., Kanwisher, N. G. Discrimination training alters object representations in human extrastriate cortex. J. Neurosci. 26, 13025-13036 (2006).
Cui, M. L., Copsey, L., Green, A. A., Bangham, J. A., Coen, E. Quantitative control of organ shape by combinatorial gene activity. PLoS Biol. 8, e1000538 (2010).
Green, A. A., Kennaway, J. R., Hanna, A. I., Bangham, J. A., Coen, E. Genetic control of organ shape and tissue polarity. PLoS Biol. 8, e1000537 (2010).
Hegdé, J., Bart, E., Kersten, D. Fragment-based learning of visual object categories. Curr. Biol. 18, 597-601 (2008).
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).
Ball, P. Nature's patterns : a tapestry in three parts. , Oxford University Press. (2009).
Vuong, Q. C. Visual categorization: when categories fall to pieces. Curr. Biol. 18, 427-429 (2008).
Kromrey, S., Maestri, M., Hauffen, K., Bart, E., Hegde, J. Fragment-based learning of visual object categories in non-human primates. PLoS One. 5, e15444 (2010).
Brady, M. J., Kersten, D. Bootstrapped learning of novel objects. J. Vis. 3, 413-422 (2003).
Blanz, V., Vetter, T. A morphable model for the synthesis of 3D faces. SIGGAPH. 26, 187-194 (1999).
Freedman, D. J., Riesenhuber, M., Poggio, T., Miller, E. K. Categorical representation of visual stimuli in the primate prefrontal cortex. Science. 291, 312-316 (2001).
Lerios, A., Garfinkle, C. D., Levoy, M. Feature-based volume metamorphosis. SIGGRAPH. , 449-456 (1995).
Bronstein, A. M., Bronstein, M. M., Kimmel, R. Numerical geometry of non-rigid shapes. , Springer. (2008).
Lotka, A. J. Natural Selection as a Physical Principle. Proc. Natl. Acad. Sci. U.S.A. 8, 151-154 (1922).
Duda, R. O., Hart, P. E., Stork, D. G. Pattern classification. , 2nd edn, Wiley. (2001).
Bishop, C. M. Pattern recognition and machine learning. , Springer. (2006).
Theodoridis, S., Koutroumbas, K. Pattern recognition. , 3rd edn, Academic Press. (2006).
Sokal, R. R. Biometry : The principles and practice of statistics in biological research. , 4th edn, W.H. Freeman and Co. (2011).
Tuffery, S. Data mining and statistics for decision making. , Wiley. (2011).
Crawley, M. J. Statistical Computing: An Introduction to Data Analysis using S-Plus. , Wiley. (2002).
Venables, W. N., Ripley, B. D. Modern Applied Statistics with S. , Springer. (2003).
Beier, T., Neely, S. Feature-based image metamorphosis. SIGGRAPH. 26, 35-42 (1992).
Kent, J. R., Carlson, W. E., Parent, R. E. Shape transformation for polyhedral objects. SIGGRAPH. 26, 47-54 (1992).
Gomes, J. Warping and morphing of graphical objects. , Morgan Kaufmann Publishers. (1999).
Ullman, S. Object recognition and segmentation by a fragment-based hierarchy. Trends Cogn. Sci. 11, 58-64 (2007).
Kobatake, E., Tanaka, K. Neuronal selectivities to complex object features in the ventral visual pathway of the macaque cerebral cortex. J. Neurophysiol. 71, 856-867 (1994).
Serre, T., Wolf, L., Poggio, T. Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). , IEEE Computer Society Press. (2005).
Ullman, S., Vidal-Naquet, M., Sali, E. Visual features of intermediate complexity and their use in classification. Nat. Neurosci. 5, 682-687 (2002).
Davis, M. J. Computer graphics. , Nova Science Publishers. (2011).
Lengyel, E. Mathematics for 3D game programming and computer graphics, third edition. , 3rd Ed, Cengage Learning. (2011).
Gilbert, S. F. Developmental biology. , 9th edn, Sinauer Associates. (2010).
Gilbert, S. F., Epel, D. Ecological developmental biology : integrating epigenetics, medicine, and evolution. , Sinauer Associates. (2009).
Hegdé, J., Thompson, S. K., Brady, M. J., Kersten, D. Object Recognition in Clutter: Cortical Responses Depend on the Type of Learning. Frontiers in Human Neuroscience. 6, 170 (2012).
Mervis, C. B., Rosch, E. Categorization of natural objects. Annual Review of Psychology. 32, 89-115 (1981).
Futuyma, D. J. Evolution. , 2nd edn, Sinauer Associates. (2009).

Neuroscience

إنشاء كائنات وفئات كائن لدراسة الإدراك الحسي والتعلم

Summary

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Summary

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.