Algı ve Algısal Öğrenme Öğrenmenin Nesneler ve Nesne Kategorileri Oluşturma

Bu prosedür, nesneleri görme ve/veya dokunma yoluyla nasıl algıladığımızı ve algılamayı öğrendiğimizi incelemek için nesneler ve nesne kategorileri oluşturmayı amaçlar. İlk olarak, sanal morfogenez veya VM, erken embriyonik gelişim süreçlerini simüle etmek ve dijital embriyolar adı verilen yeni doğal sanal 3B nesneler oluşturmak için kullanılır. Daha sonra sanal phy agenezi veya VP nesne kategorileri kullanılarak, girdi dijital embriyosuna dayalı olarak kesin olarak tanımlanmış istatistiksel özelliklerle oluşturulur.

İstenirse, sanal morfogenez ve sanal phy agenezi ile oluşturulan sanal nesneler arasında ek şekil varyasyonları oluşturmak için temel bileşenler analizi kullanılabilir. Belirli bir nesnenin belirli bir kategoriye ait olma olasılığı, özellik tabanlı bayes çıkarımı kullanılarak kesin olarak hesaplanabilir. Gerekirse, elde edilen sanal nesnelerin dokunsal baskıları bir 3D yazıcı kullanılarak oluşturulabilir.

Bu yöntemlerin her biri daha sonra daha ayrıntılı olarak gösterilecektir Mevcut yöntemlerle karşılaştırıldığında. Bu yeni yaklaşımlar, araştırmacının dayattığı kısıtlamalara ihtiyaç duymadan ortaya çıkan doğal ancak kesin olarak ölçülebilir şekil varyasyonları yaratır. Görsel ve dokunsal algı, algısal öğrenme ve makine görüşü alanlarında yeni araçlar sunarlar ve görsel dokunsal çapraz metal eğitimi yoluyla birçok görme bozukluğunun rehabilitasyonunda potansiyel uygulamalara sahiptirler.

İlginç bir şekilde, bu yöntem aynı zamanda morfogenez ve evrim süreçlerini incelemek için de uygulanabilir, Ve bu yöntem için ilk olarak, çalışmalar ve hesaplamalı görme için natüralist, ancak kesin olarak tanımlanabilir görsel uyaranlar üretmenin yollarını ararken aklımıza geldi. Başlangıçta, bu yöntemle tanınan kişiler, matematik ve programlama yoğun yönleriyle mücadele edebilir, bu nedenle bu görsel gösteri, bu yöntemin nasıl düzgün bir şekilde uygulanacağını ve kullanılacağını gösterecektir. Dijital embriyo atölyesinde, birden fazla embriyo oluşturmak için tek bir embriyo oluşturmak için bir dizi ayar veya genotip belirtin.

Sanal morfogenez ile daha karmaşık şekiller oluşturmak için bu işlemi birden çok kez tekrarlayın. Embriyo hücrelerinin kaç kez bölüneceğini belirlemek için büyüme döngülerinin sayısını artırın. Dijital embriyo atölyesi, her embriyoyu otomatik olarak bir OBJ dosyası olarak kaydeder, böylece embriyoyu daha sonra ticari 3D modelleme araç setleriyle kullanabilirsiniz.

Nesne kategorileri oluşturmak için yönlendirme, boyut, aydınlatma, yüzey dokusu ve arka plan gibi çeşitli standart grafik parametrelerini ayarlayarak görsel uyaranları oluşturun. Bir ata nesnenin torunlarını hiyerarşik bir şekilde oluşturun. Ayrıca, nesneler arasındaki köşelerin bire bir yazışmasını korurken morphing kullanarak şekli sorunsuz bir şekilde değiştirebilirsiniz.

İlginç bir şekilde, dijital embriyolar dışındaki sanal nesneler de sanal phy agenezisi için girdi olarak kullanılabilir. Belirli bir özellik dağılımı elde etmek için belirli bir kategorideki nesneleri seçin. Örneğin, boyutları farklı olan iki kategori oluşturmak istiyorsanız, nesne boyutlarının iki modlu bir dağılımını oluşturmak için orta büyüklükteki nesneleri seçici olarak eleyin.

Şimdi, kofonetik korelasyon gibi mevcut filogenetik yöntemleri kullanarak belirli bir kategori çifti arasındaki benzerliği objektif olarak ölçün. Bu hesaplamalar, bir nesnenin her bir köşesinin diğer nesnenin tam olarak bir köşesine karşılık geldiği herhangi bir nesne çifti için MATLAB veya R gibi yaygın olarak bulunan analitik araç setleri kullanılarak gerçekleştirilebilir; morphing basittir. Enterpolasyon noktalarını seçin ve karşılık gelen köşeler arasında sorunsuz bir şekilde enterpolasyon yapmak için iki nesne arasında doğrusal geçiş kullanın.

İlk olarak, temel bileşenleri belirli bir nesne kümesinin belirli tanımlayıcıları olarak belirleyin. Temel bileşenler, MATLAB veya R ortalaması kullanılarak hesaplanabilir, ortalama bir nesne oluşturmak için tüm N giriş nesnesindeki her bir köşenin koordinatları, herhangi bir bileşen P'yi karşılık gelen egen değeri lambda ve istenen bir ağırlık wj ile çarpabilir ve yeni bir nesne oluşturmak için ortalama nesneye eklenebilir. Aj, belirli bir temel bileşen boyunca düzgün şekil varyasyonları oluşturmak için WJ'yi sorunsuz bir şekilde değiştirmeye devam ediyor.

Çok boyutlu bir şekil ızgarası oluşturmak için, çeşitli temel bileşenlerin her biri için bir ağırlık kümesi kullanın. Bir 3B prototipleyici kullanarak 3B nesneleri yazdırın. Gerekirse, nesnenin boyutunu ayarlayın ve yazdırmayı optimize etmek için nesnenin yüzeyini düzleştirin.

Görsel işlemede önemli bir görev, belirli bir gözlemlenen nesnenin ait olduğu kategoriyi çıkarmaktır. Kısmen, nesnenin bilinen özellikleri hakkındaki bilgileri kullanarak, dijital embriyolar faydalıdır. Bu çıkarımsal süreci incelerken, kategorizasyon görevinin ikili olduğunu varsayalım.

Yani, yalnızca iki olası kategori vardır ve görevimiz, K kategorisini L kategorisinden ayırt etmeyi içerir, C kategori değişkeni olsun, gözlemlenen görüntü I'in sırasıyla K veya L kategorisine ait olup olmadığına bağlı olarak C K'ye eşittir veya C L'ye eşittir. Tam olarak bir ikili özellik F olduğunu varsayarsak, görüntüdeki bilgiler göz önüne alındığında kategorinin K olma olasılığını hesaplayın. Benzer şekilde, kategorinin L olma olasılığı için, daha yüksek olasılığa sahip kategoriyi seçin.

Örneğin, bu bilgilendirici parça özelliği ve 0,69'luk bir eşik değeri ile başlayın. Görev, bu özelliğin G üç yolundaki en sağdaki görüntü gibi belirli bir görüntüde mevcut olup olmadığını belirlemektir. İlk olarak, şablonu görüntü hesaplamasındaki tüm olası konumların üzerine kaydırın, her konumda, şablon ile temel alınan alt görüntü arasındaki normalleştirilmiş çapraz korelasyonun mutlak değeri.

Ardından en yüksek değere sahip görüntü konumunu seçin. Bu değer eşiğin üzerindeyse, özelliğin mevcut olduğu sonucuna varın, aksi takdirde olmadığı sonucuna varın. Özellik tabanlı çıkarım çerçevesinde, gözlemcinin görüntüden çıkardığı tüm bilgilerin bu özelliğin değerinde yer aldığını varsayarız.

Bu nedenle, görev, bu F değeri için verilen görüntü hesaplama olasılıklarında F değerini belirleme ve daha yüksek olasılığa sahip kategoriyi seçme görevi haline gelir. Bu, ilgili tüm olasılıkları bir araya getirmek için Bayes çerçevesidir. İki denklemdeki paydanın aynı olduğuna dikkat edin, bu nedenle dikkati payla sınırlayın.

Her iki kategorinin de apriori olduğu bir daireden önce varsayalım. Aynı derecede büyük olasılıkla görev, belirli bir C kategorisinin bir görüntüsündeki belirli bir özellik değerinin olasılığını hesaplamaktır.Örneğin, özelliğin L kategorisinin bir görüntüsünde bulunma olasılığını hesaplamak için L kategorisinin altı görüntüsünü örnek olarak kullanın.İlk olarak, her görüntü için L'ye ait tüm eğitim görüntülerini alın, Özellik değerinin, görüntüde özellik olarak bilinen bir değer mi yoksa özellik yok olan sıfır değer mi olduğunu belirleyin. Ardından, özellik değerinin bir olduğu görüntülerin kesirini hesaplayın.

Bu nedenle, özelliğin L kategorisindeki bir görüntüde bulunma olasılığı 0,33'tür Doğru tahminler için, kategori başına en az 30 görüntü kullanın. Tipik bir deneyde, bu olasılığın konu iç tahminini bilmemiz gerekir. Dijital embriyoların kullanılmasının bunu özellikle kolaylaştırdığına dikkat edin.

Deneğin dijital embriyolara maruz kalması üzerinde tam kontrole sahip olduğumuzdan, deneğin dahili olarak hesaplanan değerinin tahminimizle tutarlı olduğundan ve kontrolsüz ve bilinmeyen önceki deneyimlerden etkilenmediğinden emin olabiliriz. Benzer şekilde, K ve L kategorilerinde görüntünün yokluğu ve varlığı olasılıklarını hesaplayın.Bu değerler göz önüne alındığında, bu yeni görüntünün kategori etiketini tanımlamak için çıkarım yapılabilir. İlk olarak, normal olmayan olasılıklar için belirlenen önceki formülleri ve az önce hesaplanan değerleri kullanarak F özelliğinin görüntüde mevcut olup olmadığını belirleyin, kategorilerin görüntüsündeki varlığın olasılıklarını hesaplayın, K ve L.Bu veriler, görüntünün K kategorisinden olduğunu gösterir.

Burada, biyolojik embriyogenezin temel süreçlerini simüle ederek dijital embriyolar üretilir. Her çalışma bir ikosahedron ile başlar ve benzersiz bir embriyo oluşturur. Morfojen ayarlarına bağlı olarak, dijital embriyolar, herhangi bir standart grafik araç seti kullanılarak keyfi karmaşıklıkta görsel sahneler oluşturmak için grafiksel olarak manipüle edilebilir.

Örneğin, aynı dijital embriyo farklı şekilde dokullandırılabilir ve istenildiği gibi aydınlatılabilir. Ek olarak, benzer dokulu bir arka plana karşı kamufle edilmiş bir dijital embriyoya sahip bu sahne gibi keyfi karmaşıklıktaki görsel sahneler, ticari olarak mevcut bir 3D modelleme ve işleme ortamı kullanılarak oluşturulabilir. Sanal phy agenezi algoritması biyolojik evrimi taklit eder.

Sanal phy agenezi algoritması biyolojik evrimi taklit eder. Yeni nesneler ve nesne kategorileri, seçici olarak biriken, ancak geliştikçe kendi şekil varyasyonlarını tahakkuk ettiren kalıtsal varyasyonlar olarak ortaya çıkar. Bu özel örnekte, tek bir ortak ata olan ikosahedron üç nesil torun üretir.

Şekil karmaşıklığı, ikosahedrondan G nesline kadar artar çünkü hücre sayısının artmasına izin veririz, ancak genel şekil karmaşıklığı G Neslinden itibaren aynı kalır. Bu aile ağacı diğer açılardan karşılaştırılabilir, ancak sanal nesne satıcılarından indirilen embriyo olmayan nesneleri kullanır. Ortak bir atayı paylaşan nesnelerin doğrudan bir kategori oluşturduğuna dikkat edin.

Herhangi bir nesilde hücre bölünmesine izin verilmediğinden, tüm şekil varyasyonları yalnızca verilen nesnenin tek tek hücrelerinin hareketinden ve/veya büyümesinden kaynaklanır. Bu senaryoda, biçim değiştirme, belirlenen iki nesnenin karşılık gelen köşeleri arasında enterpolasyon yaparak şekilde düzgün varyasyonlar oluşturur. En sol ve en sağ.

Embriyo prensibi bileşenleri ayrıca şekil olarak düzgün varyasyonlar yaratır. Bu embriyo 400 embriyonun aritmetik ortalamasını temsil eder. Bu özel durumda, ilk iki temel bileşen, şekil bilgisinin sırasıyla %73 ve %19'unu oluşturuyordu.

Embriyolar, ağırlıklı özdeğerler değiştirilerek elde edildi. Bu dijital embriyolar, sanal 3D nesneler olarak oluşturulabilir ve daha sonra, özellikle Bayes çıkarımı olarak, görsel algıyı çıkarım olarak incelemek için standart bir ticari olarak temin edilebilen 3D yazıcı veya prototipleyici kullanılarak dokunsal nesneler olarak basılabilir. Dijital embriyolar, öncüller ve olasılıklar gibi kontrollü parametrelerle yeni kategoriler oluşturmak için paha biçilmez bir araçtır.

Bu videoyu izledikten sonra, kendi deneyinize uygun bir dizi dijital embriyonun nasıl oluşturulacağını iyi anlamış olmalısınız. Farklı değişkenlik ve karmaşıklık derecelerine sahip bireysel nesneler veya tüm kategorilerin tümü kolayca oluşturulabilir. Elde edilen görüntüler, nesne tanıma, kategorizasyon, kategori öğrenme ve diğer pek çok deney için kullanılabilir.