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