psicofisica - Facoltà di Medicina e Psicologia

PSICOFISICA
Classification image
Paradigma della correlazione
inversa/immagini di classificazione
1
La tecnica delle classification images
permette di evidenziare la strategia visiva
dell’osservatore, individuare la parte dello
stimolo utilizzata dall’osservatore per
svolgere il compito. Introdotta da
Ahumada nel 1996, negli anni 90 una
tecnica simile (la correlazione inversa) è
stata utilizzata per caratterizzare I campi
recettivi della corteccia visiva.
Simile allo studio dei
territori
Rappresenta il
processo di
assegnazione di un
pixel ad una classe.
Normalmente ogni
pixel viene trattato
come un’unità
individuale avente un
valore in varie bande
spettrali in questo
caso cromatiche.
2
Attraverso l’utilizzo delle cassification images
(Ahumada, 2002) è possibile rivelare la strategia
dell’osservatore, quali parti dell’oggetto utilizza
per compiere la decisione.
Il risultato evidenzia il template percettivo: la media
spazio-temporale delle caratteristiche elementari
utilizzate.
Numerose applicazioni: discriminazione di lettere (Watson &
Rosenholtz, 1997), apprendimento percettivo (Knoblauch,
Thomas, & D'Zmura, 1999), contorni illusori (Gold, Murray,
Bennett, & Sekuler, 2000), acuità di vernier in fovea e periferia
(Beard & Ahumada, 1999), stereoacuità (Neri, Parker, &
Blakemore, 1999), off-frequency looking (Abbey & Eckstein,
2000).
La correlazione inversa è stata applicata in
neurofisiologia. In questo caso neuroni visivi
vengono stimolati da immagini rumorose e
l’attività neurale correlata con l’input.
Il risultato della cross-correlazione fornisce
una stima della struttura del campo
recettivo.(e.g., Ringach and Shapley, 2004
and Victor, 2005).
3
Tuttavia la tecnica è diversa nei due casi in quanto:
-L’input è diverso. E’ possibile misurare l’attività neurale
mostrando solo rumore, tuttavia la risposta dell’osservatore in
questo caso sarà incoerente dunque è necessario inserire un
compito e misurare il d’.
-L’output è diverso. I neuroni generano spike nel tempo,
l’osservatore risposte binarie o classificazioni.
Nella sua forma più semplice la tecnica richiede un
compito si/no nel quale nel 50% dei casi viene
presentato rumore+segnale e nell’altro 50% solo
rumore. Il rumore viene poi mediato separatamente per
I quattro tipi di risposta (hits, misses, false alarms, e
correct rejections). Queste medie vengono combinate
sommando le medie dei rumori per le risposte “si” e
sottraendo quelle per le risposte “no”. Questo
determina l’equivalente psicofisico del campo recettivo,
il campo percettivo (Jung & Spillman, 1970).
4
Campi recettivi in V1 del macaco (A, Ringach, 2002) e
campi percettivi (B e C, Ahumada, 1996; Solomon, 2002)
per la discriminazione di orientamento. Nel caso di
Ahumada il compito era un compito Vernier. Nel caso di
Solomon discriminazione di orientamento. Notare la
somiglianza tra A e C.
Da Neri & Levi, 2006
Ahumada, 1996.
5
Potenziali difficoltà sono legate all’interpretazione del
campi percettivi. Infatti le medie dei segnali presenti
potrebbero differire dalle medie di quelli assenti se il
sistema è non lineare.
Classification images
segnale
classification images per
stimolo presente
classification images per
stimolo assente
Ahumada, 2002
6
Tornaniamo al problema del riconoscimento dei
volti assolto da un processo speciale
olistico/configurazionale quando I volti sono in
forma prototipica e vediamo cosa ci possono dire
le classification images.
Volto A
Volto B
Classifica!
C=(NAA+ NBA) - (NBB+ NAB)
Dove per esempio NBA è la media di tutti gli sfondi di
rumore nei quali lo stimolo presentato era il volto B
ma l’osservatore ha detto A
7
C=(NAA+ NBA) - (NBB+ NAB)
Quella appena descritta è una stima del calcolo
lineare che influenza la prestazione.
L’immagine di classificazione può essere pensata
come un campo percettivo che indica dove il
rumore influenza la stessa risposta
dell’osservatore. Dove l’immagine è grigia il
rumore ha un effetto variabile sulla risposta,
dove è bianca o nera il rumore ha sempre lo
stesso effetto sulla risposta di classificazione.
Sekuler et al., 2004
Stimoli
Soglia 0.017
Soglia 0.026
Rumore Gaussiano contrasto rms 14%
10,000 trial
Staircase per mantenere la prestazione al 71%
di risposte corrette (150 trial) poi restare
invariata per I rimanenti.
8
verticale
invertito
donna
uomo
Classificazione basata su un informazione molto localizzata
indipendentemente dall’orientamento
Ideale differenza
pixel per pixel
- calcolo del numero di pixel in ogni classification image
che correla con la rispota. Quanta parte dello stimolo
viene utilizzata.
- la cross correlazione delle classification images umane
normalizzate per le ideali. Quanto efficientemente viene
utilizzata
9
verticale
invertito
donna
uomo
75.4 %
76.8 %
dei pixel significativi cadono nella regione blu
l’efficienza è 1.7 volte maggiore per l’orientamento
verticale
Le aree colorate rappresentano I pixel significativi
nelle immagini di classificazione sovrapposti alla
classificazione di un osservatore ideale. (in rosso
stimoli verticali, verde invertiti)
10
Quantità di pixel significativi per volti verticali e
invertiti per ogni osservatore.
Non vi sono differenze sistematiche tra i due
orientamenti
Correlazione tra le immagini di classificazione
dell’osservatore ideale e umano per I due
oriantamenti
La correlazione è sempre maggiore nel caso dei volti
verticali.
11
La tecnica utilizzata per calcolare l’immagine di classificazione
rivela solo la relazione lineare tra il contrasto di ogni pixel e
la risposta dell’osservatore.
Tuttavia è possibile valutare il contributo di processi non lineari
da queste immagini.
Se la decisione dell’osservatore è basata solamente da un
processo lineare dunque la sua efficienza può essere predetta
sulla base delle immagini di classificazione. Se al contrario
l’efficienza risulta superiore alla predetta la decisione
dell’osservatore potrebbe basarsi su qualche trasformazione
non lineare non catturata dalle immagini di classificazione.
Correlazione tra le immagini di classificazione
dell’osservatore ideale e umano per I due
oriantamenti
Leggermente
maggiore che
predetta.
12
I risultati indicano che contrariamente a quanto supposto
volti verticali ed invertiti vengono elaborati attraverso un
processo qualitativamente simile (Stessi pixel significativi)
Volti verticali vengono elaborati più efficientemente di
quelli invertiti, suggerendo una differenza quantitativa.
13