Creazione di oggetti e categorie di oggetti per lo studio Percezione e apprendimento percettivo

Questa procedura ha lo scopo di creare oggetti e categorie di oggetti per lo studio del modo in cui percepiamo e impariamo a percepire gli oggetti attraverso la vista e/o il tatto. In primo luogo, la morfogenesi virtuale o VM viene utilizzata per simulare i processi dello sviluppo embriologico precoce e generare nuovi oggetti virtuali tridimensionali naturalistici chiamati embrioni digitali. Successivamente, mediante la filogenesi virtuale o VP, vengono create categorie di oggetti con proprietà statistiche precisamente definite, basate sull'embrione digitale di input.

Se lo si desidera, l'analisi delle componenti principali può essere utilizzata per creare ulteriori variazioni di forma tra gli oggetti virtuali generati dalla morfogenesi virtuale e dalla filogenesi virtuale. La probabilità che un determinato oggetto appartenga a una determinata categoria può essere calcolata con precisione mediante inferenza bayesiana basata su caratteristiche. Se necessario, stampe aptiche degli oggetti virtuali risultanti possono essere generate utilizzando una stampante 3D.

Ognuno di questi metodi verrà illustrato in maggiore dettaglio successivamente, rispetto ai metodi esistenti. Questi nuovi approcci generano variazioni di forma naturalistiche ma precisamente misurabili, che si sviluppano senza la necessità di vincoli imposti dal ricercatore. Essi offrono strumenti innovativi nei campi della percezione visiva e tattile, dell'apprendimento percettivo e della visione artificiale, e hanno potenziali applicazioni nella riabilitazione di molti tipi di deficit visivi attraverso un training incrociato visuo-tattile.

È interessante notare che questo metodo può essere applicato anche allo studio dei processi di morfogenesi e di evoluzione stessi, ed è stato proprio durante la ricerca di modi per generare stimoli visivi naturalistici ma precisamente definibili per studi di visione computazionale che abbiamo avuto per la prima volta l'idea di questo metodo. Inizialmente, le persone che si avvicinano a questo metodo potrebbero incontrare difficoltà legate agli aspetti intensivi di matematica e programmazione, pertanto questa dimostrazione visiva illustrerà come implementare e utilizzare correttamente il metodo. Nel laboratorio dell'embrione digitale, specificare un insieme di parametri o un genotipo per generare un singolo embrione oppure generare più embrioni.

Ripetere questo processo più volte per generare forme più complesse mediante morfogenesi virtuale. Aumentare il numero di cicli di crescita per specificare quante volte le cellule dell'embrione si divideranno. Il laboratorio di embrioni digitali salva automaticamente ogni embrione come file OBJ, consentendo di utilizzare successivamente l'embrione con kit di modellazione 3D commerciali.

Generare gli stimoli visivi impostando diversi parametri grafici standard, come orientamento, dimensione, illuminazione, texture della superficie e sfondo, al fine di produrre categorie di oggetti. Creare discendenti di un oggetto ancestrale in modo gerarchico. È inoltre possibile variare in modo graduale la forma utilizzando il morphing, mantenendo al contempo la corrispondenza biunivoca dei vertici tra gli oggetti.

È interessante notare che anche oggetti virtuali diversi dagli embrioni digitali possono essere utilizzati come input per la filogenesi virtuale. Selezionare oggetti all'interno di una determinata categoria per ottenere una specifica distribuzione di caratteristiche. Ad esempio, se si desidera creare due categorie che differiscono per dimensione, eliminare selettivamente gli oggetti di dimensioni intermedie per generare una distribuzione bimodale delle dimensioni degli oggetti.

Ora, misurare oggettivamente la similarità tra una data coppia di categorie utilizzando metodi filogenetici disponibili, come la correlazione cofonetica. Questi calcoli possono essere eseguiti utilizzando toolkit analitici comunemente disponibili, come MATLAB o R, per qualsiasi coppia di oggetti in cui ogni vertice di un oggetto corrisponde esattamente a un vertice dell'altro oggetto; in tal caso la morfosi è semplice. Selezionare i punti di interpolazione e utilizzare una morfosi lineare tra i due oggetti per interpolare in modo continuo tra i vertici corrispondenti.

Per prima cosa, determinare i componenti principali come descrittori specifici di un determinato insieme di oggetti. I componenti principali possono essere calcolati utilizzando MATLAB o R: calcolare la media, nelle coordinate di ciascun vertice su tutti gli N oggetti in ingresso, per generare un oggetto medio; moltiplicare un componente P qualsiasi per il corrispondente autovalore lambda e un peso desiderato wj, quindi aggiungere il risultato all'oggetto medio per generare un nuovo oggetto. Continuare quindi a variare in modo continuo wj per creare variazioni di forma fluide lungo un determinato componente principale.

Per creare una griglia tridimensionale di forme, utilizzare un insieme di pesi per ciascuna delle diverse componenti principali. Stampare oggetti 3D utilizzando un prototipatore 3D. Se necessario, regolare le dimensioni dell'oggetto e levigare la superficie per ottimizzare la stampa.

Un compito importante nell'elaborazione visiva è dedurre la categoria alla quale appartiene un determinato oggetto osservato. In parte utilizzando le informazioni sulle caratteristiche note dell'oggetto, gli embrioni digitali risultano utili. Quando si studia questo processo inferenziale, supponiamo che il compito di categorizzazione sia binario.

Ciò significa che esistono solo due categorie possibili e che il nostro compito consiste nel distinguere la categoria K dalla categoria L; sia C la variabile categoria, dove C è uguale a K oppure C è uguale a L a seconda che l'immagine osservata I appartenga rispettivamente alla categoria K o L. Assumendo che esista esattamente una caratteristica binaria F, calcolare la probabilità che la categoria sia K dato l'informazione contenuta nell'immagine. Analogamente, calcolare la probabilità che la categoria sia L e scegliere la categoria con la probabilità maggiore.

Ad esempio, iniziare con questa caratteristica informativa del frammento e un valore soglia di 0,69. L'obiettivo è determinare se questa caratteristica è presente in un'immagine specifica, come l'immagine più a destra nella strada G tre. Innanzitutto, spostare il modello su tutte le posizioni possibili nell'immagine e calcolare in ciascuna posizione il valore assoluto della correlazione incrociata normalizzata tra il modello e la sotto-immagine sottostante.

Quindi selezionare la posizione dell'immagine con il valore più alto. Se questo valore è superiore alla soglia, concludere che la caratteristica è presente; altrimenti, concludere che è assente. Nel contesto dell'inferenza basata su caratteristiche, assumiamo che tutte le informazioni che l'osservatore estrae dall'immagine siano contenute nel valore di questa caratteristica.

Pertanto, il compito consiste nel determinare il valore di F nell'immagine data, calcolando le probabilità per tale valore F e selezionando la categoria con probabilità maggiore. Questo è il framework bayesiano per combinare tutte le probabilità rilevanti. Si noti che il denominatore nelle due equazioni è lo stesso, quindi è possibile concentrarsi sul numeratore.

Si assuma una distribuzione a priori uniforme in cui entrambe le categorie sono a priori ugualmente probabili. Il compito ora consiste nel calcolare la verosimiglianza, ovvero la probabilità di un determinato valore di caratteristica in un'immagine di una categoria data C. Ad esempio, si utilizzino le sei immagini della categoria L come esempi per calcolare la probabilità che la caratteristica sia presente in un'immagine della categoria L. Per prima cosa, si prendano tutte le immagini di addestramento appartenenti a L; per ciascuna immagine, si determini se il valore della caratteristica è uno (cioè la caratteristica è presente nell'immagine) oppure zero (cioè la caratteristica è assente). Successivamente, si calcoli la frazione di immagini in cui il valore della caratteristica è uno.

Pertanto, la probabilità che la caratteristica sia presente in un'immagine della categoria L è 0,33; per stime accurate, utilizzare almeno 30 immagini per categoria. In un esperimento tipico, dovremmo conoscere la stima interna del soggetto di questa probabilità. Si noti come l'uso di embrioni digitali renda particolarmente semplice questa operazione.

Dato che abbiamo un controllo completo sull'esposizione del soggetto agli embrioni digitali, possiamo essere certi che il valore calcolato internamente dal soggetto sia coerente con la nostra stima e non sia influenzato da alcuna esperienza precedente non controllata e sconosciuta. In modo analogo, calcolare le probabilità di assenza e presenza dell'immagine nelle categorie K e L. Dati questi valori, è possibile effettuare un'inferenza per identificare l'etichetta della categoria di questa nuova immagine. Innanzitutto, determinare se la caratteristica F è presente nell'immagine utilizzando le formule precedenti stabilite per le probabilità non normalizzate e i valori appena calcolati, calcolare le probabilità di presenza nell'immagine delle categorie K e L. Questi dati indicano che l'immagine appartiene alla categoria K. Sebbene con una certa bassa sicurezza, la morfogenesi virtuale offre una fornitura illimitata di nuove forme tridimensionali.

Qui, gli embrioni digitali vengono generati simulando i processi chiave dell'embriogenesi biologica. Ogni esecuzione inizia con un icosaedro e produce un embrione unico. Sulla base delle impostazioni dei morfogeni, gli embrioni digitali possono essere manipolati graficamente per creare scene visive di complessità arbitraria utilizzando qualsiasi toolkit grafico standard.

Ad esempio, lo stesso embrione digitale può essere sottoposto a diverse applicazioni di texture e illuminato secondo necessità. Inoltre, possono essere creati scenari visivi di complessità arbitraria, come questa scena in cui un embrione digitale è mimetizzato su uno sfondo con texture simile, utilizzando un ambiente commerciale disponibile in commercio per la modellazione e il rendering 3D. L'algoritmo di virtual phy agenesis emula l'evoluzione biologica.

L'algoritmo virtuale di agenesi phy emula l'evoluzione biologica. Nuovi oggetti e categorie di oggetti emergono come variazioni ereditabili che si accumulano selettivamente, ma acquisiscono ulteriori variazioni di forma durante il loro sviluppo. In questo esempio specifico, un singolo antenato comune, l'icosaedro, genera tre generazioni di discendenti.

La complessità della forma aumenta dall'icosaedro alla generazione G1 poiché permettiamo che il numero di cellule aumenti, ma la complessità complessiva della forma rimane invariata a partire dalla generazione G1. Quest'albero genealogico è paragonabile sotto altri aspetti, ma utilizza oggetti non embrionali scaricati da fornitori di oggetti virtuali. Si noti che gli oggetti che condividono un antenato comune costituiscono in modo diretto una categoria.

Poiché non è stata consentita alcuna divisione cellulare in nessuna generazione, tutte le variazioni di forma derivano esclusivamente dal movimento e/o dalla crescita delle singole cellule dell'oggetto considerato. In questo scenario, la trasformazione genera variazioni di forma fluide interpolando tra i vertici corrispondenti dei due oggetti designati, quello più a sinistra e quello più a destra.

Anche le componenti principali dell'embrione generano variazioni di forma graduali. Questo embrione rappresenta la media aritmetica di 400 embrioni. In questo caso specifico, le prime due componenti principali spiegavano rispettivamente il 73% e il 19% dell'informazione di forma.

Gli embrioni sono stati ottenuti modificando i valori eigen pesati. Questi embrioni digitali possono essere resi come oggetti 3D virtuali e successivamente stampati come oggetti tattili utilizzando una stampante 3D o un prototipatore standard disponibile in commercio, per lo studio della percezione visiva come inferenza, in particolare come inferenza bayesiana. Gli embrioni digitali sono uno strumento indispensabile per creare categorie nuove con parametri controllati, come le distribuzioni a priori e le verosimiglianze.

Dopo aver visto questo video, si dovrebbe avere una buona comprensione di come creare un insieme di embrioni digitali adatti al proprio esperimento specifico. Si possono creare facilmente singoli oggetti o intere categorie con diversi gradi di variabilità e complessità. Le immagini risultanti possono essere utilizzate per esperimenti sul riconoscimento di oggetti, sulla categorizzazione, sull'apprendimento delle categorie e molti altri ancora.