Algı ve Algısal Öğrenme Öğrenmenin Nesneler ve Nesne Kategorileri Oluşturma

Bu prosedür, nesneleri görme ve/veya dokunma yoluyla nasıl algıladığımızı ve algılamayı nasıl öğrendiğimizi incelemek için nesneler ve nesne kategorileri oluşturmayı amaçlamaktadır. İlk olarak, erken embriyonik gelişim süreçlerini simüle etmek ve dijital embriyolar olarak adlandırılan yeni, natüralistik sanal 3D nesneler oluşturmak için sanal morfogenez veya VM kullanılır. Ardından, sanal filogenez veya VP kullanılarak, girdi olarak kullanılan dijital embriyoya dayalı ve kesin olarak tanımlanmış istatistiksel özelliklere sahip nesne kategorileri oluşturulur.

İstenirse, sanal morfogenez ve sanal filogenez ile oluşturulan sanal nesneler arasında ek şekil varyasyonları yaratmak için temel bileşenler analizi kullanılabilir. Belirli bir nesnenin belirli bir kategoriye ait olma olasılığı, özellik tabanlı bayesyen çıkarım kullanılarak kesin olarak hesaplanabilir. Gerekirse, elde edilen sanal nesnelerin haptik baskıları bir 3D yazıcı kullanılarak oluşturulabilir.

Bu yöntemlerin her biri, mevcut yöntemlerle karşılaştırmalı olarak daha sonra daha ayrıntılı bir şekilde açıklanacaktır. Bu yeni yaklaşımlar, araştırmacı tarafından dayatılan kısıtlamalara gerek kalmaksızın ortaya çıkan, doğal ancak kesin olarak ölçülebilir şekil varyasyonları oluşturur. Görsel ve haptik algı, algısal öğrenme ve makine görüşü alanlarında yeni araçlar sunan bu yöntemlerin, görsel-haptik çapraz modal eğitim yoluyla birçok görsel bozukluk türünün rehabilitasyonunda potansiyel uygulama alanları bulunmaktadır.

İlginç bir şekilde, bu yöntem morfogenez ve evrimin kendi süreçlerini incelemek için de uygulanabilir; bu yönteme dair ilk fikrimiz, çalışmalar ve hesaplamalı görme için doğal görünümlü ancak kesin olarak tanımlanabilen görsel uyaranlar üretme yollarını ararken ortaya çıktı. Başlangıçta, bu yöntemi kullanan kişiler matematik ve programlama ağırlıklı yönlerinde zorluk yaşayabilirlerdi, bu nedenle bu görsel gösterim, yöntemin nasıl doğru şekilde uygulanacağını ve kullanılacağını örnekleyecektir. Dijital embriyo atölyesinde, tek bir embriyo veya birden fazla embriyo üretmek için bir dizi ayar veya genotip belirleyin.

Sanal morfogenez yoluyla daha karmaşık şekiller oluşturmak için bu işlemi defalarca 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 yönelim, boyut, aydınlatma, yüzey dokusu ve arka plan gibi çeşitli standart grafiksel parametreleri ayarlayarak görsel uyaranları oluşturun. Bir ata nesnenin türevlerini hiyerarşik bir biçimde yaratın. Ayrıca, nesneler arasındaki köşelerin bire bir karşılıklılığını koruyarak morfing yöntemiyle şekli yumuşak bir şekilde değiştirebilirsiniz.

İlginç bir şekilde, dijital embriyolar dışındaki sanal nesneler de sanal filogenez için girdi olarak kullanılabilir. Belirli bir özellik dağılımı elde etmek için belirli bir kategori içindeki nesneleri seçin. Örneğin, boyut bakımından farklılık gösteren iki kategori oluşturmak istiyorsanız, nesne boyutlarının bimodal (iki modlu) bir dağılım oluşturması 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, MATLAB veya R gibi yaygın olarak kullanılan analitik araç setleri kullanılarak gerçekleştirilebilir; bir nesnenin her bir köşesinin diğer nesnenin tam olarak bir köşesine karşılık geldiği herhangi bir nesne çifti için morfing işlemi basitçe yapılabilir. İnterpolasyon noktalarını seçin ve karşılıklı köşeler arasında pürüzsüz bir geçiş sağlamak için iki nesne arasında doğrusal morfing uygulayın.

İlk olarak, belirli bir nesne kümesinin spesifik tanımlayıcıları olarak temel bileşenleri belirleyin. Temel bileşenler MATLAB veya R kullanılarak hesaplanabilir; ortalama nesneyi oluşturmak için tüm N giriş nesnesi boyunca her bir köşe noktasının koordinatlarının ortalamasını alın, herhangi bir P bileşenini ilgili özdeğer lambda ve istenen bir wj ağırlığı ile çarpın ve yeni bir nesne oluşturmak için bunu ortalama nesneye ekleyin. Belirli bir temel bileşen boyunca pürüzsüz şekil varyasyonları oluşturmak için WJ'yi yumuşak bir şekilde değiştirmeye devam edin.

Şekillerden oluşan çok boyutlu bir ızgara oluşturmak için, birkaç temel bileşenin her biri için bir dizi ağırlık kullanın. 3D objeleri bir 3D prototipleyici kullanarak yazdırın. Gerektiğinde, baskıyı optimize etmek için objenin boyutunu ayarlayın ve objenin yüzeyini düzeltin.

Görsel işlemedeki önemli bir görev, gözlemlenen belirli bir nesnenin hangi kategoriye ait olduğunun çıkarımını yapmaktır. Dijital embriyolar, kısmen nesnenin bilinen özelliklerine dair bilgileri kullanarak bu konuda faydalı olmaktadır. Bu çıkarım sürecini incelerken, kategorizasyon görevinin ikili (binary) olduğunu varsayalım.

Yani, yalnızca iki olası kategori vardır ve görevimiz K kategorisini L kategorisinden ayırt etmektir; gözlemlenen I görüntüsünün sırasıyla K veya L kategorisine ait olup olmamasına göre C kategori değişkeni, C eşittir K veya C eşittir L şeklinde olsun. Tam olarak bir adet ikili F özelliğinin olduğu varsayıldığında, görüntüdeki bilgiler verildiğinde kategorinin K olma olasılığını hesaplayın. Benzer şekilde, kategorinin L olma olasılığını hesaplayın ve daha yüksek olasılığa sahip kategoriyi seçin.

Örneğin, bu bilgilendirici fragman özelliği ve 0,69 değerindeki bir eşik değeriyle başlayın. Görev, bu özelliğin G üç yolundaki en sağdaki görüntü gibi belirli bir görüntüde mevcut olup olmadığını belirlemektir. Öncelikle şablonu görüntüdeki tüm olası konumlar üzerinde kaydırın ve her konumda, şablon ile altındaki alt görüntü arasındaki normalize edilmiş çapraz korelasyonun mutlak değerini hesaplayın.

Ardından, en yüksek değere sahip görüntü konumunu seçin. Eğer bu değer eşik değerinin üzerindeyse, özelliğin mevcut olduğu sonucuna varın; aksi takdirde mevcut olmadığı sonucuna varın. Özellik tabanlı çıkarım çerçevesinde, gözlemcinin görüntüden elde ettiği tüm bilgilerin bu özelliğin değerinde yer aldığını varsayarız.

Bu nedenle, görev; verilen görüntüde F değerinin belirlenmesi, bu F değeri için olasılıkların hesaplanması ve olasılığı daha yüksek olan kategorinin seçilmesi haline gelir. Bu, ilgili tüm olasılıkları bir araya getirmek için kullanılan Bayesian çerçevesidir. İki denklemdeki paydanın aynı olduğuna dikkat edin, bu yüzden yalnızca paya odaklanın.

Her iki kategorinin a priori olarak eşit olasılıkta olduğu düz bir önsel dağılım varsayalım. Görev artık, belirli bir C kategorisindeki bir görüntüde belirli bir öznitelik değerinin görülme olasılığı olan olumsamayı hesaplamaktır. Örneğin, özniteliğin L kategorisindeki bir görüntüde bulunma olasılığını hesaplamak için L kategorisindeki altı görüntüyü örnek olarak kullanın. Öncelikle, L kategorisine ait tüm eğitim görüntülerini alın ve her bir görüntü için öznitelik değerinin, özniteliğin görüntüde mevcut olduğu durum için bir veya özniteliğin mevcut olmadığı durum için sıfır olup olmadığını belirleyin. Ardından, öznitelik değerinin bir olduğu görüntülerin oranını hesaplayın.

Bu nedenle, özelliğin L kategorisindeki bir görüntüde bulunma olasılığı 0,33'tür; doğru tahminler elde etmek için kategori başına en az 30 görüntü kullanın. Tipik bir deneyde, deneğin bu olasılığa ilişkin dahili tahminini bilmemiz gerekir. Dijital embriyolar kullanmanın bunu nasıl özellikle kolaylaştırdığına dikkat edin.

Deneklerin dijital embriyolara maruz kalma durumunu tamamen kontrol edebildiğimiz için, deneğin dahili olarak hesapladığı değerin bizim tahminimize uygun olduğundan ve herhangi bir kontrolsüz veya bilinmeyen önceki deneyimden etkilenmediğinden emin olabiliriz. Benzer şekilde, görüntünün K ve L kategorilerindeki bulunma ve bulunmama olasılıklarını hesaplayın. Bu değerler ışığında, bu yeni görüntünün kategori etiketini belirlemek için çıkarım yapılabilir. İlk olarak, normalleştirilmemiş olasılıklar için önceden belirlenmiş formülleri ve az önce hesaplanan değerleri kullanarak, F özelliğinin görüntüde mevcut olup olmadığını belirleyin; K ve L kategorilerinin görüntüde bulunma olasılıklarını hesaplayın. Bu veriler, görüntünün K kategorisine ait olduğunu göstermektedir. Nispeten düşük bir güven düzeyiyle birlikte, sanal morfogenez sınırsız sayıda yeni 3D şekil kaynağı sunmaktadır.

Burada, biyolojik embriyogenezin temel süreçleri simüle edilerek dijital embriyolar oluşturulur. Her çalıştırma bir ikozahedron ile başlar ve benzersiz bir embriyo üretir. Morfogen ayarlarına bağlı olarak, dijital embriyolar, herhangi bir standart grafik araç kiti kullanılarak keyfi karmaşıklıkta görsel sahneler oluşturmak amacıyla grafiksel olarak manipüle edilebilir.

Örneğin, aynı dijital embriyo farklı şekilde dokulandırılabilir ve istenilen şekilde aydınlatılabilir. Ayrıca, benzer şekilde dokulandırılmış bir arka plana karşı kamufle edilmiş bir dijital embriyonun yer aldığı bu sahne gibi keyfi karmaşıklıktaki görsel sahneler, ticari olarak mevcut bir 3D modelleme ve render ortamı kullanılarak oluşturulabilir. Sanal filogenetik algoritma, biyolojik evrimi taklit eder.

Sanal filogenetik algoritma, biyolojik evrimi taklit eder. Yeni nesneler ve nesne kategorileri, seçici olarak biriken kalıtılabilir varyasyonlar olarak ortaya çıkar ancak geliştikçe kendi şekil varyasyonlarını edinirler. Bu özel örnekte, tek bir ortak ata olan ikozahedron, üç nesil torun üretmektedir.

Hücre sayısının artmasına izin verdiğimiz için şekil karmaşıklığı ikosahedrondan G1 nesline doğru artar, ancak G1 neslinden itibaren genel şekil karmaşıklığı aynı kalır. Bu soyağacı diğer açılardan benzerdir, ancak sanal nesne satıcılarından indirilen embriyo dışı nesneler kullanılmıştır. Ortak bir ataya sahip olan nesnelerin doğrudan bir kategori oluşturduğuna dikkat edin.

Herhangi bir nesilde hücre bölünmesine izin verilmediği için, tüm şekil varyasyonları yalnızca söz konusu nesnenin bireysel hücrelerinin hareketinden ve/veya büyümesinden kaynaklanmaktadır. Bu senaryoda morfolojik değişim, belirlenen iki nesnenin karşılıklı köşeleri arasında interpolasyon yaparak şekillerde pürüzsüz varyasyonlar oluşturur. En sol ve en sağ.

Embriyo temel bileşenleri aynı zamanda şekil üzerinde düzgün varyasyonlar oluşturur. Bu embriyo, 400 embriyonun aritmetik ortalamasını temsil etmektedir. Bu özel durumda, ilk iki temel bileşen şekil bilgisinin sırasıyla %73 ve %19'unu açıklamıştır.

Embriyolar, ağırlıklı özdeğerlerin değiştirilmesiyle elde edilmiştir. Bu dijital embriyolar, sanal 3D nesneler olarak görselleştirilebilir ve ardından görsel algıyı bir çıkarım, özellikle de Bayes çıkarımı olarak incelemek amacıyla, standart ticari olarak mevcut bir 3D yazıcı veya prototipleme cihazı kullanılarak haptik nesneler şeklinde basılabilir. Dijital embriyolar, öncüller ve olası değerler gibi kontrollü parametrelere sahip yeni kategoriler oluşturmak için paha biçilmez bir araçtır.

Bu videoyu izledikten sonra, özel deneyiniz için uygun bir dijital embriyo seti oluşturma konusunda iyi bir anlayışa sahip olmalısınız. Farklı değişkenlik ve karmaşıklık derecelerine sahip bireysel nesneler veya tüm kategoriler kolayca oluşturulabilir. Elde edilen görüntüler nesne tanıma, kategorizasyon, kategori öğrenimi ve diğer pek çok deney için kullanılabilir.