WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 29 | 30 || 32 | 33 |   ...   | 58 |

Вероятно, в ходе ориентационной 7*7,50шагов, Т=настройки они начинают работать в 9*9,50шагов, Т=11*11, 50шагов,T=параллельном режиме, а оптимальное 23*23,50шагов,T=выделение происходит в отдельных 70 80 90 100 110 120 130 140 150 160 170 180 190 200 элементах модуля. Из вычислительного Пороги срабатывания (F1) эксперимента следует, что среда с функцией связи 11*11 пикселей ослеживает Рис. 4. Зависимость ширины ориентационной больший диапазон ошибок, чем 7*7 или характеристики от порога (в условных единицах).

f23*23 пикселя, следовательно, является оптимальной для выделения линии По оси y отложены ошибки толщиной в 1 пиксель.

выделения горизонтальных линий, а Показано, что, меняя порог fименно углы линий-стимулов, которые возникновения максимального отклика, выделяются как горизонтальные и чья можно регулировать ширину яркость на временном шаге n = ориентационной характеристики системы.

составляет не менее 66% [5] от Эта возможность калибровки может быть максимальной яркости выделенной полезна при интерпретации данных горизонтальной линии (рис.4).

психофизических экспериментов по Как показали расчеты, острота ориентационной настройке зрительной селекции в основном определяется системы человека.

величиной параметра пороговой функции Из психофизических экспериментов, соответствующей чувствительности fполучено, что точность выделения линии нейрона, и зависит от структуры заданного направления имеет значение межнейронных связей, определяющей вид десятых долей градуса (рис.6а).

признака стимула, на селекцию которого Электрофизиологические данные, настроен слой. На рис.5 показано, что полученные при наблюдении активности меняя параметр для выделения линий fотдельных ориентационных нейронов из разных направлений, можно зоны V1, показывают, что точность «реконструировать» «индивидуальное» выделения линии при использовании Ошибка 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» только одного из выбранных фильтров Совмещение в одной технологии (либо с постоянным, либо с периодически сравнительно простого компьютерного меняющимся порогом) не может быть метода объективного измерения выходных лучше 10- 20 градусов [4]. параметров системы человек-компьютер с Точность выделения линии при адаптивной нейросетевой моделью использовании только одного из позволяет осуществить функциональное выбранных фильтров модели не может картирование ориентационных модулей быть лучше нескольких градусов (рис.6б). зрительной системы человека. Это Следовательно, к уменьшению ошибок открывает новые возможности для определения направления приводит исследования онтогенетических и согласованная работа колонок. патофизиологических аспектов первичных когнитивных ункций.

Работа выполнена при частичной поддержке грантов РФФИ № 11-07-12027-офи-м-2011 и № 11-08-00930-а.

Список литературы а 1. Николлс Дж.Г., Мартин А.Р., Валлас Б.Дж., Фукс П.А. От нейрона к мозгу. – М. «УРСС». 2003. 672 с.

2. Салтыков К.А, Шевелёв И.А. Модельное исследование внутрикоркового торможения в формировании чувствительности к крестообразным фигурам. // Журн. высш. нервн. деят. 2004. Т. 54. № 6. С. 767-775.

3. Worgotter F., Koch Ch., A Detailed Model of the Primary Visual Pathway in the Cat: Comparison of б Afferent Excitatory and Intracortical Inhibitory Рис.6. Точность ориентационной настройки в Connection Schemes for Orientation Selectivity. // The психофизическом (а) и нейрофизиологическом journal of Neuroscience, July 1991, 11(7): 1959-1979.

эксперименте (б).

4. Baowang Li, Mattew R. Peterson, and Ralph D.

Freeman Obliqur Effect: A Neural Basis in the Visual Выводы Cortex // J. Neurophysiol 90: 204-217, 2003.

5. В.А.Антонец, С.А.Полевая, В.В.Казаков, HandОднородные распределенные Tracking: Исследование первичных когнитивных нейроноподобные системы воспроизводят функций человека по их моторным проявлениям. // Современная экспериментальная психология: В 2т./ динамику ориентационно-селективных под ред. В.А.Барабанщикова.-М.: Изд-во «Институт рецептивных полей нейронов зрительной психологии РАН», 2011. – т.2, с.39-55.

коры. В численном эксперименте показано, 6. С.А. Полевая, И.В.Нуйдель, ВВ.Казаков, что эффективным параметром для Е.В.Еремин, В.А.Антонец, В.Г.Яхно Исследование управления шириной ориентационной ориентационной чувствительности зрительной системы человека // Труды VII конференции настройки является порог генерации «Нейроинформатика-2005», Ч. 2, М.: МИФИ, 2005.

выходного сигнала, тогда как порог для fС. 93-99.

входного сигнала T обеспечивает грубую 7. Кудряшов А.В., Яхно В.Г. Распространение настройку. Важнейшим результатом областей повышенной импульсной активности в нейронной сети. // В сб.: Динамика биологических численного эксперимента стало систем. 1978. Вып.2. C. 45-59.

доказательство способности интегральной 8. Яхно В.Г., Нуйдель И.В., Иванов А.Е. Модельные системы обеспечить чувствительность, в нейроноподобные системы. Примеры динамических десятки раз превышающую процессов // В кн.: Нелинейные волны'2004 (отв.

чувствительность каждого отдельного ред. А.В. Гапонов-Грехов, В.И. Некоркин).

Н.Новгород: ИПФ РАН, 2005. С.362–375.

элемента.

Материалы XVI Международной конференции по нейрокибернетике РАЗЛИЧНЫЕ ТИПЫ «ОБЛАСТЕЙ ИНТЕРЕСА» В МОДЕЛИ ФОРМИРОВАНИЯ ТРАЕКТОРИИ ОСМОТРА СЛОЖНЫХ ИЗОБРАЖЕНИЙ В.А. Осинов, Д.Г. Шапошников НИИ нейрокибернетики им. А.Б. Когана Южного федерального университета (Россия, Ростов-на-Дону) vlad_os@list.ru Three types of areas of interest estimated by means of основанного на тесном взаимодействии fixations distribution, fixations duration, and image психофизического эксперимента и external context have been described. An algorithms to моделирования, была разработана detect these types of areas in the model of trajectory исследовательская математическая модель formation of images survey have been considered. In computer simulation, a contribution of an extrinsic такого рода.

context of the images has been studied.

Используя данные психофизических тестов по свободному осмотру Введение изображений, с помощью модели предполагается формализовать множество Одной из ключевых проблем в области влияющих на перевод взгляда факторов, психофизиологии зрения человека является связанных со свойствами изображения, понимание механизмов выбора точек структурой поля зрения и с когнитивными фиксации взгляда и зрительного поиска процессами (преднастройка, предыдущий при осмотре изображений.

опыт, познавательные стратегии и др.). В Хорошо известно, что на выбор точек частности, в качестве одного из основных фиксации взгляда и на формирование факторов при определении параметров траекторий осмотра сложных изображений модели будет использовано распределение и сцен оказывает влияние множество областей интереса.

факторов, взаимодействующих между В данной работе рассматриваются три собой [1]. Факторы, определяющие типа областей интереса, формируемых по притяжение взгляда к тому или иному различным параметрам, а именно, по фрагменту изображения, включают пространственному распределению точек перцептуальные и когнитивные фиксаций входного окна модели, по их механизмы. Первые в значительной мере длительности и по внешнему контексту обусловлены принципами организации фрагментов изображений.

зрительной сенсорной системы и более прямо, чем когнитивные механизмы, Алгоритмы и методы связаны с физическими свойствами изображений.

Разработанная ранее модель Принимая во внимание формирования траектории осмотра противоречивость известных фактов и включает пространственно-неоднородное гипотез о механизмах перевода взгляда, входное окно, эмулирующее изменение математические модели, имитирующие разрешающей способности в поле зрения нейробиологические феномены, человека [2], и функцию притяжения, рассматриваются как один из важнейших определяющую координаты следующей инструментов при исследовании точки фиксации (1):

механизмов фиксации взгляда в процессе F (x, y, h) = V (Q(x, y), rF (x, y), rP (x, y))+ осмотра изображений n (1) + ki fi (x, y) + C Fix(x, y, h) + AOI (x, y) i=Ранее в наших исследованиях [2] в В общем виде функция притяжения (1) рамках комплексного включает в себя компоненты, которые нейроинформационного подхода, 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» могут влиять на перевод взгляда при Области интереса, выделяемые на осмотре изображений. А именно: основе пространственного расположения 1. Особенности структуры поля зрения точек фиксации взгляда.

(V(Q,rF,rP)), определяемые по данным психофизических тестов для конкретного испытуемого, такие как размер и конфигурация фовельной (rF(x,y)) и периферической частей (rP(x,y)) поля зрения, распределение остроты сенсорной настройки (Q(x,y)), включающее локальную пространственная неоднородность [3].

2. Набор карт признаков (fi(x,y)), выделенных на разных уровнях и с разной степенью значимости (ki ). Механизмы зрительного внимания, на основе которых могут быть построены карты признаков, можно разделить на восходящие (“bottomup”), обрабатывающие первичные признаки изображения, такие как цвет, его Рис.1. Пример областей интереса (прямоугольники) интенсивность или ориентация цветовых выделенных по пространственному расположению перепадов, и нисходящие (“top-down”), точек фиксации (белые точки).

связанные с когнитивными процессами.;

3. Компонент, который учитывает Формирование областей интереса по характер текущей зрительной задачи (C) и пространственному расположению точек результаты обработки фрагментов при фиксации взгляда проводилось с помощью предыдущих фиксациях входного окна метода «ближайшего соседа» с шагом два (Fix(x,y,h) ).

угловых градуса и порогом 5 точек 4. Данные о распределении областей фиксации в выделенной области.

интереса, выделенных по результатам Области интереса, выделяемые по психофизических тестов (AOI(x,y)).

длительности фиксации.

Ранее были проведены вычислительные эксперименты по определению параметров функции, связанных с размером и структурой поля зрения [2]. В результате этих экспериментов была определена оптимальная структура пространственнонеоднородного входного окна.

Области интереса Следующим этапом исследования является обобщение данных о формировании областей интереса и формализация параметра AOI(x,y) в функции притяжения (1). При анализе данных проведенных психофизических Рис. 2. Распределение центров областей интереса по тестов, можно выявить 3 типа областей длительности фиксации.

интереса:

Материалы XVI Международной конференции по нейрокибернетике Для определения областей интереса наиболее схожими с ним изображениями, данного типа использовался следующий выбранными из базы. Таким образом, алгоритм. По данным психофизических объекты сравниваются не с другими тестов каждая точка фиксации взгляда в элементами того же изображения траектории осмотра характеризуется (внутренний контекст), а с объектами дисперсией микро смещений глаза в других изображений (внешний контекст).

пределах данной точки. Будем Этим эмулируется влияние рассматривать область вокруг точки предшествовавшего осмотру опыта:

траектории, площадь которой элементы, отличающиеся от аналогичных пропорциональна дисперсии. Пикселям, элементов сходных объектов, привлекают попавшим в данную область, больше внимания (рис. 3).

присваивается значение длительности фиксации соответствующей точки траектории осмотра. В случае, если области различных точек траектории перекрываются, то в зонах пересечения значения времени фиксации складываются.

Таким образом строится карта Рис. 3. Область выделенности на основе оценки распределения длительности фиксации по внешнего контекста (цитировано по [7]): (a) всему изображению. После исключения из анализируемое изображение, (b) наиболее схожие этой карты элементов, в которых значение изображения из базы, (c) результат работы длительности было меньше среднего, алгоритма.

формировались области интереса по Результаты вычислительного методу «ближайшего соседа» с шагом 1 и эксперимента порогом 20 точек. Анализ малой выборки экспериментальных данных (n=15) показал, В проведенных нами вычислительных что в 70 % случаях области интереса по экспериментах была проверена времени и по пространству перекрываются.

возможность идентификации третьего типа областей интереса с помощью алгоритма Области интереса, выделяемые по оценки фактора внешнего контекста внешнему контексту фрагментов изображения по методу, описанному выше.

изображений.

Предполагалось, что в случае успешного Большинство известных моделей применения этого алгоритма он может осмотра изображений, вслед за работой быть включен в модель формирования Ульмана и Коха [6], основано на траектории осмотра в качестве фактора обработке первичных признаков притяжения взгляда для количественной изображений. Имеются лишь единичные оценки величины зрительного внимания.

работы, в которых рассматриваются Полученные карты признаков возможные подходы к моделированию и сравнивались с результатами оценке когнитивных механизмов. В психофизических экспериментов из частности, в совместной работе общедоступной базы Массачусетского исследователей университета Бостона и технологического института подразделения “Google Research” [7] (http://people.csail.mit.edu/tjudd/WherePeople представлен алгоритм для выделения Look/). В тестах использовались наиболее значимых объектов изображений для, каждого из которых изображения, основанный на оценке выбиралась группа похожих (n=20) с внешнего контекста в последовательности помощью сервиса “Google Image Search by изображений. Карта признаков, Image” (http://images.google.com/).

получаемая в результате этого алгоритма, На Рис.4 представлены примеры является нормализованной средней выделения областей интереса по внешнему абсолютной разницей между анализируемым изображением и kim 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» контексту в сопоставлении с данными Заключение психофизических тестов.

В работе показано наличие трех типов областей интереса, которые могут иметь различное происхождение. Первый тип может быть представлен в модели как (a) область группирования специфических локальных признаков изображения [8]. Во втором случае области будут формироваться по количеству микросмешений входного окна около точки фиксации. Для областей третьего типа будет использоваться накопленные данные (b) из протестированных изображений.

Pages:     | 1 |   ...   | 29 | 30 || 32 | 33 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.