probleem 4: aanpakken voor object recognition Flashcards
aanpak 1 -> compuational approach (david marr)
David Marr kwam met de computational approach omdat hij het visuele systeem zag als een computer dat is geprogrammeerd om objecten waar te nemen. Deze computer is geprogrammeerd en heeft meerdere fases die hieronder zijn weergegeven.
Fases in het visuele systeem:
1. Beeld van object op het netvlies: de lichtgolven van het object vallen op het netvlies.
2. Ruwe oorspronkelijke schets: het beeld van het object wordt geanalyseerd op basis van kenmerken zoals licht, donker en lijndetectie. Belangrijk in deze fase is dat de kenmerken en randen worden gedetecteerd. Hierbij moet er rekening worden gehouden met natural constraints. Dit zijn basis eigenschappen van de omgeving zoals schaduwen.
3. 2 ½ - D schets: kenmerken worden georiënteerd tot groepen volgens de Gestalt principes van perceptuele organisatie. Deze groepen worden verwerkt tot een 2 ½ D schets. Dit bevat een abstracte beschrijving van de kenmerken.
4. 3D-representatie: de 2 ½ D schets wordt omgezet tot een 3D-beeld die wij kunnen waarnemen.
aanpak 2 -> feature integration theory (Treisman & Glade
Net als Marr -> feature integration theory: gaat in op hoe een object wordt afgebroken tot kleinere elementen en wordt vervolgens geanalyseerd.
2 fases van eigenschap integration theory
De eigenschap integratie theorie stelt dat object perceptie volgens een reeks fases beginnend met de pre-attente fase. Tijdens deze fase analyseert het visuele systeem een beeld en bepaalt het de eigenschappen die de basiseenheden van perceptie vormen (vb oriëntatie, uiteinden, kleur, beweging en buiging). -> bottum up
In de tweede fase, gefocuste aandacht fase, worden de eigenschappen gecombineerd wat resulteert in perceptie van het object. Nadat het object is waargenomen, wordt het herkent door het te vergelijken met opgeslagen info uit het geheugen. -> top down
2 manieren om basiseigenschappen te bepalen
- Pop-out boundary methode (feature search): bij deze methode worden twee verschillende elementen naast elkaar weergegeven om textuur velden te creëren. Een pop-out grens treedt op wanneer de twee elementen op het eerste gezicht makkelijk onderscheiden worden. In de afbeeldingen hieronder is dit het geval bij a en b, maar niet bij c; -> bottum up en reflexieve aandacht.
- Visual search methode (conjunction search): bij deze methode wordt een deelnemer gevraagd om bepaalde elementen te zoeken in een afbeelding die verschillende elementen bevat. Wanneer het element eruit springt, doet het er niet toe door hoeveel andere elementen het wordt omringd (dit noemen we een pop-out element, zie linksonder). Als dit niet het geval is, neemt de reactietijd toe naarmate er meer elementen zijn om te scannen (dit noemen we een conjunctie zoektocht, zie rechtsonder). -> top down en vrijwillige aandacht.
basiseigenschappen van treisman
Aan de hand van deze twee methodes kwamen Treisman en andere wetenschappers met een aantal basiseigenschappen; kromming, kanteling, lijn uiteinden, beweging, kleur, helderheid en richting van de verlichting.
aanpak 3 -> recognition-by-components approach (Biederman)
De recognition-by-components approach gaat ook in op object perceptie, maar de elementen waaruit een object bestaat zijn volgens deze benadering 3D i.p.v. 2D.
Geons: deze 3D kenmerken. Er zijn 36 verschillende geons. Vb: cilinders, piramides en rechthoekige vaste stoffen. Door de geons aan elkaar te verbinden, kunnen duizenden objecten worden geconstrueerd.
basiskenmerken geons
Geons hebben een aantal basiskenmerken:
- Zicht invariantie: geons kunnen worden geïdentificeerd, zelfs wanneer het object vanuit verschillende ooghoeken wordt bekeken.
- Discrimineerbaarheid: elk van de geons kan van elkaar onderscheiden worden, vanaf bijna elk gezichtspunt.
- Resistentie tegen visuele ruis: geons kunnen worden waargenomen, zelfs in condities waarbij er visueel veel gaande is.
Componentiële herstelling
het vermogen om een object te identificeren wanneer we de geons ervan kunnen identificeren. Wij zijn hier zelfs toe in staat wanneer delen van een object verborgen zijn door andere objecten. Dit vermogen raken we kwijt wanneer er te veel visuele ruis is om de geons te identificeren.
kracht en kritiek RBC model
De kracht van het RBC-model ligt in het feit dat het verklaart hoe we brede klassen van objecten kunnen herkennen, maar het verklaart niet dat we ook in staat zijn om veel kleinere verschillen in vormen te detecteren.
