إنشاء كائنات وفئات كائن لدراسة الإدراك الحسي والتعلم

تهدف هذه الإجراءات إلى إنشاء أجسام وفئات من الأجسام لدراسة كيفية إدراكنا وتعلمنا لإدراك الأجسام عن طريق البصر و/أو اللمس. أولاً، يُستخدم التخلق الشكلي الافتراضي (VM) لمحاكاة عمليات التطور الجنيني المبكر وإنشاء أجسام افتراضية ثلاثية الأبعاد طبيعية ومبتكرة تسمى الأجنة الرقمية. بعد ذلك، تُنشأ فئات من الأجسام باستخدام التنشؤ النوعي الافتراضي (VP) بخصائص إحصائية محددة بدقة بناءً على الجنين الرقمي المدخل.

إذا رغب المستخدم، يمكن استخدام تحليل المكونات الرئيسية لإنشاء تنوعات شكلية إضافية بين الكائنات الافتراضية التي تم إنشاؤها بواسطة التخلق الشكلي الافتراضي والنشوء النوعي الافتراضي. ويمكن حساب احتمالية انتماء كائن معين إلى فئة محددة بدقة باستخدام الاستدلال البايزي القائم على السمات. وإذا لزم الأمر، يمكن إنتاج نماذج ملموسة للكائنات الافتراضية الناتجة باستخدام طابعة ثلاثية الأبعاد.

سيتم توضيح كل من هذه الطرق بمزيد من التفصيل لاحقاً مقارنةً بالطرق الحالية. وتعمل هذه النهج الجديدة على إيجاد تغيرات شكلية طبيعية ولكن يمكن قياسها بدقة، وتنشأ دون الحاجة إلى قيود يفرضها الباحث. كما أنها توفر أدوات مبتكرة في مجالات الإدراك البصري واللمسي، والتعلم الإدراكي، والرؤية الآلية، ولها تطبيقات محتملة في إعادة تأهيل العديد من أنواع الإعاقات البصرية من خلال التدريب المتبادل بين الرؤية واللمس.

من المثير للاهتمام أنه يمكن تطبيق هذه الطريقة أيضاً لدراسة عمليات التخلق الشكلي والتطور بحد ذاتها، وقد خطرت لنا فكرة هذه الطريقة لأول مرة عندما كنا نبحث عن طرق لإنشاء محفزات بصرية طبيعية ولكن يمكن تحديدها بدقة للدراسات والرؤية الحاسوبية. في البداية، قد يواجه الأفراد الذين يتعرفون على هذه الطريقة صعوبة في جوانبها التي تتطلب كثافة في الرياضيات والبرمجة، لذا سيوضح هذا العرض المرئي كيفية تنفيذ هذه الطريقة واستخدامها بشكل صحيح. في ورشة عمل الجنين الرقمي، حدد مجموعة من الإعدادات أو النمط الجيني لإنتاج جنين واحد أو لإنتاج أجنة متعددة.

كرر هذه العملية عدة مرات لتوليد أشكال أكثر تعقيداً عن طريق التخلق الشكلي الافتراضي. قم بزيادة عدد دورات النمو لتحديد عدد المرات التي ستنقسم فيها خلايا الجنين. تقوم ورشة عمل الجنين الرقمي بحفظ كل جنين تلقائياً كملف OBJ حتى تتمكن لاحقاً من استخدام الجنين مع أدوات نمذجة ثلاثية الأبعاد تجارية.

قم بتوليد المحفزات البصرية عن طريق ضبط المعاملات الرسومية القياسية المختلفة مثل التوجيه، والحجم، والإضاءة، وملمس السطح، والخلفية لتوليد فئات من الكائنات. قم بإنشاء مشتقات من كائن أصلي بطريقة هرمية. يمكنك أيضاً تغيير الشكل بسلاسة باستخدام تقنية التحول (morphing) مع الحفاظ على التوافق أحادي الاتجاه للرؤوس بين الكائنات.

ومن المثير للاهتمام أنه يمكن أيضاً استخدام كائنات افتراضية أخرى غير الأجنة الرقمية كمدخلات لعملية التكون الجنيني الافتراضي (virtual phy agenesis). اختر كائنات ضمن فئة معينة لتحقيق توزيع محدد من السمات. على سبيل المثال، إذا كنت ترغب في إنشاء فئتين تختلفان في الحجم، قم بإزالة الكائنات متوسطة الحجم بشكل انتقائي لإنشاء توزيع ثنائي المنوال لأحجام الكائنات.

الآن، قم بقياس التشابه بموضوعية بين زوج معين من الفئات باستخدام الطرق الفيلوجينية المتاحة مثل الارتباط الفونيتي المشترك (co phonetic correlation). يمكن إجراء هذه الحسابات باستخدام مجموعات الأدوات التحليلية المتاحة بشكل شائع مثل MATLAB أو R؛ وبالنسبة لأي زوج معين من الكائنات حيث يتوافق كل رأس في كائن واحد تماماً مع رأس واحد في الكائن الآخر، فإن عملية التحول المورفولوجي (morphing) تكون مباشرة. حدد نقاط الاستيفاء واستخدم التحول الخطي بين الكائنين لإجراء استيفاء سلس بين الرؤوس المتناظرة.

أولاً، يتم تحديد المكونات الرئيسية كواصفات محددة لمجموعة معينة من الكائنات. يمكن حساب المكونات الرئيسية باستخدام MATLAB أو R؛ يتم حساب متوسط إحداثيات كل رأس عبر جميع الكائنات المدخلة N لإنشاء كائن متوسط، ثم يُضرب أي مكون P في القيمة الذاتية المقابلة lambda والوزن المطلوب wj، ويُضاف ذلك إلى الكائن المتوسط لإنشاء كائن جديد. استمر في تغيير WJ بسلاسة لإنشاء تنوعات شكلية سلسة على طول مكون رئيسي معين.

لإنشاء شبكة متعددة الأبعاد من الأشكال، استخدم مجموعة من الأوزان لكل من المكونات الرئيسية المتعددة. قم بطباعة الكائنات ثلاثية الأبعاد باستخدام جهاز نماذج أولية ثلاثي الأبعاد. إذا لزم الأمر، قم بتعديل حجم الكائن وتنعيم سطحه لتحسين عملية الطباعة.

تعد عملية استنتاج الفئة التي ينتمي إليها جسم معين تمت ملاحظته مهمة أساسية في المعالجة البصرية. وتبرز فائدة الأجنة الرقمية في هذا الصدد من خلال استخدام المعلومات المتعلقة بالسمات المعروفة للجسم جزئياً. وعند دراسة هذه العملية الاستدلالية، دعونا نفترض أن مهمة التصنيف هي مهمة ثنائية.

أي أنه يوجد فئتان محتملتان فقط، وتتمثل مهمتنا في التمييز بين الفئة K والفئة L؛ لنفترض أن C هو متغير الفئة، حيث تكون C تساوي K أو C تساوي L بناءً على ما إذا كانت الصورة المرصودة I تنتمي إلى الفئة K أو L على التوالي. وبافتراض وجود سمة ثنائية واحدة فقط F، يتم حساب احتمالية أن تكون الفئة هي K بناءً على المعلومات الواردة في الصورة. وبالمثل، يتم حساب الاحتمالية بأن تكون الفئة هي L، ثم يتم اختيار الفئة ذات الاحتمالية الأعلى.

على سبيل المثال، نبدأ بميزة هذا الجزء المعلوماتي وقيمة عتبة تبلغ 0.69. تتمثل المهمة في تحديد ما إذا كانت هذه الميزة موجودة في صورة معينة، مثل الصورة الموجودة في أقصى يمين الطريق G three. أولاً، يتم تمرير القالب فوق جميع المواقع الممكنة في الصورة، وحساب القيمة المطلقة للارتباط المتقاطع الموحد بين القالب والصورة الفرعية الموجودة تحته في كل موقع.

بعد ذلك، حدد موقع الصورة الذي يحتوي على أعلى قيمة. إذا كانت هذه القيمة أعلى من العتبة، يُستنتج أن السمة موجودة، وإلا يُستنتج أنها غائبة. وفي إطار الاستدلال القائم على السمات، نفترض أن جميع المعلومات التي يستخلصها المراقب من الصورة متضمنة في قيمة هذه السمة.

وبالتالي، تتمثل المهمة في تحديد قيمة F في الصورة المعطاة، وحساب الاحتمالات لتلك القيمة F، واختيار الفئة ذات الاحتمالية الأعلى. هذا هو إطار عمل بايز (Bayesian framework) لتجميع كافة الاحتمالات ذات الصلة. لاحظ أن المقام في المعادلتين متماثل، لذا يقتصر التركيز على البسط.

افترض وجود توزيع مسبق مسطح حيث تكون الفئتان متساويتين في الاحتمالية مسبقاً. تتمثل المهمة الآن في حساب الاحتمالية، وهي احتمال قيمة ميزة معينة في صورة من فئة معينة C. على سبيل المثال، استخدم الصور الست من الفئة L كأمثلة لحساب احتمال وجود الميزة في صورة من الفئة L. أولاً، خذ جميع صور التدريب التي تنتمي إلى L، وحدد لكل صورة ما إذا كانت قيمة الميزة هي واحد (أي أن الميزة موجودة في الصورة) أو صفر (أي أن الميزة غائبة). بعد ذلك، احسب كسر الصور التي تكون فيها قيمة الميزة واحداً.

وبناءً على ذلك، فإن احتمال وجود السمة في صورة من الفئة L هو 0.33؛ وللحصول على تقديرات دقيقة، استخدم 30 صورة على الأقل لكل فئة. في التجربة النموذجية، سنحتاج إلى معرفة التقدير الداخلي للمشارك لهذا الاحتمال. لاحظ كيف أن استخدام الأجنة الرقمية يجعل هذا الأمر سهلاً بشكل خاص.

بما أننا نملك تحكماً كاملاً في تعرّض الشخص للأجنة الرقمية، فيمكننا التأكد من أن القيمة التي حسبها الشخص داخلياً تتوافق مع تقديرنا، وأنها غير متأثرة بأي خبرة سابقة غير متحكم بها أو غير معروفة. وبطريقة مماثلة، يتم حساب احتمالات غياب ووجود الصورة في الفئتين K و L. وبناءً على هذه القيم، يمكن إجراء الاستدلال لتحديد تسمية الفئة لهذه الصورة الجديدة. أولاً، يتم تحديد ما إذا كانت السمة F موجودة في الصورة باستخدام الصيغ السابقة المحددة للاحتمالات غير الطبيعية والقيم التي تم حسابها للتو، ثم تُحسب احتمالات وجود الفئتين K و L في الصورة. وتشير هذه البيانات إلى أن الصورة تنتمي إلى الفئة K. وعلى الرغم من أن ذلك يتم بثقة منخفضة نسبياً، إلا أن التخلق الشكلي الافتراضي يوفر إمداداً غير محدود من الأشكال ثلاثية الأبعاد المبتكرة.

هنا، يتم إنشاء أجنة رقمية عن طريق محاكاة العمليات الرئيسية للتخلق الجنيني البيولوجي. تبدأ كل عملية تشغيل بمجسم عشريني الوجوه وتنتج جنيناً فريداً. وبناءً على إعدادات المورفوجين، يمكن معالجة الأجنة الرقمية رسومياً لإنشاء مشاهد بصرية ذات تعقيد تعسفي باستخدام أي مجموعة أدوات رسومية قياسية.

على سبيل المثال، يمكن إكساء الجنين الرقمي نفسه بأنسجة مختلفة وإضاءته حسب الرغبة. بالإضافة إلى ذلك، يمكن إنشاء مشاهد بصرية ذات تعقيد عشوائي، مثل هذا المشهد الذي يظهر فيه جنين رقمي مموه مقابل خلفية ذات نسيج مماثل، وذلك باستخدام بيئة نمذجة ورندرة ثلاثية الأبعاد متاحة تجارياً. تحاكي خوارزمية التطور الجنيني الافتراضي (virtual phy agenesis) التطور البيولوجي.

تحاكي خوارزمية التطور المورفولوجي الافتراضي (virtual phy agenesis) التطور البيولوجي، حيث تظهر كائنات وفئات كائنات جديدة كتباينات وراثية تتراكم بشكل انتقائي، ولكنها تكتسب تباينات شكلية خاصة بها أثناء تطورها. وفي هذا المثال تحديداً، ينتج سلف مشترك واحد، وهو المجسم ذو العشرين وجهاً (icosahedron)، ثلاثة أجيال من السلالات.

تزداد تعقيدات الشكل من العشرين وجهاً إلى الجيل G1 لأننا نسمح بزيادة عدد الخلايا، ولكن يظل التعقيد العام للشكل ثابتاً بدءاً من الجيل G1 فصاعداً. وتتشابه شجرة العائلة هذه في جوانب أخرى، ولكنها تستخدم كائنات غير جنينية تم تحميلها من موردي الكائنات الافتراضية. نلاحظ أن الكائنات التي تشترك في سلف مشترك تشكل فئة بشكل مباشر.

بما أنه لم يُسمح بحدوث أي انقسامات خلوية في أي جيل، فإن جميع التباينات في الشكل تنتج فقط عن حركة و/أو نمو الخلايا الفردية للجسم المعطى. في هذا السيناريو، يؤدي التحول الشكلي (morphing) إلى إحداث تباينات سلسة في الشكل من خلال الاستكمال الخطي (interpolating) بين الرؤوس المتناظرة للجسمين المحددين؛ أقصى اليسار وأقصى اليمين.

تؤدي المكونات الرئيسية للجنين أيضاً إلى إحداث تغيرات سلسة في الشكل. يمثل هذا الجنين المتوسط الحسابي لـ 400 جنين. وفي هذه الحالة تحديداً، شكل المكونان الرئيسيان الأول والثاني 73% و 19% من معلومات الشكل على التوالي.

تم الحصول على الأجنة عن طريق تغيير القيم الذاتية المرجحة. يمكن تمثيل هذه الأجنة الرقمية ككائنات افتراضية ثلاثية الأبعاد، ثم طباعتها ككائنات ملموسة باستخدام طابعة ثلاثية الأبعاد قياسية متوفرة تجارياً أو جهاز صنع نماذج أولية لدراسة الإدراك البصري كعملية استدلال، وتحديداً كاستدلال بايزي. تعد الأجنة الرقمية أداة لا تقدر بثمن لإنشاء فئات جديدة بمعلمات متحكم بها مثل الاحتمالات السابقة والاحتمالات الشرطية.

بعد مشاهدة هذا الفيديو، يجب أن يكون لديك فهم جيد لكيفية إنشاء مجموعة من الأجنة الرقمية المناسبة لتجربتك الخاصة. يمكن إنشاء كائنات فردية أو فئات كاملة بدرجات متفاوتة من التباين والتعقيد بكل سهولة. ويمكن استخدام الصور الناتجة في تجارب التعرف على الكائنات، والتصنيف، وتعلم الفئات، والعديد من التجارب الأخرى.