この作品は、米陸軍研究所と米陸軍研究局助成W911NF1110105とNSFの助成金、IOS-1147097toジェイHegdéによって部分的にサポートされていました。また、サポートはジョージア健康科学大学のビジョンディスカバリー研究所からジェイHegdéへのパイロットの助成金によって提供されていました。ダニエルKersten氏は、韓国の国立研究財団（R31-10008を介して、文部科学省によって資金を供給されてWCU（ワールドクラスの大学）プログラムで助成ONR N00014-05-1から0124までおよびNIH R01 EY015261と部分的に支持された）。カリンHauffenは、米陸軍の学部研究実習プログラム（URAP）によってサポートされていました。

1。 VMを使用して自然主義の仮想3次元オブジェクトを作成する<ol><li>デジタル胚を作成するには、デジタル胚Workshopを使用（DEW、 表1を参照）。各実行は単一胚14、特定の実行（ 図1）で使用されている設定（または&quot;遺伝子型&quot;）の特定のセットに一意になるような形状を生成します。胚の&#39;セル&#39;は三角形14として表されます。 <ol><li>胚の必要な数を生成するために必要に応じて何度でもプログラムを実行します。 </li><li>より複雑な形状が望ましい場合には、胚の細胞が分裂する回数、 すなわち 、成長サイクルの数を増やします。これはまた、プログラムが遅くなることに注意してください。それはデジタル胚以外の仮想オブジェクトを作成する必要がある場合は、市販の3次元モデリングツールを使用したり、商業ベンダー（ 表1）から、仮想オブジェクトを取得します。 </li></ol></li><li>これは、仮想オブジェクトを保存することをお薦めしますオブジェクトが容易に商業的3次元モデリングツールキットにインポートすることができるように、そのようなOBJなどの一般的に使用されるフ​​ァイル形式、のs。この目的を達成するために、露はデフォルトでOBJ形式でオブジェクトを書き込みます。 </li><li>視覚刺激は、3次元モデリングとレンダリング環境（ 表1）を使用して、1つ以上のデジタル胚を用いて生成することができる。そのような（ 図2を参照）は、所望の刺激を作成するために向き、大きさ、照明、表面の質感や背景を変えるなどの標準的なグラフィック操作を使用します。 </li></ol> 2。 VPを使用して自然主義的オブジェクトカテゴリを作成する<ol><li>オブジェクトカテゴリを生成するには、上記のステップ1.1におけるプロセスの所望の組み合わせ（ 図3）9,10,12,13 を使用して、指定した先祖（または&quot;親&quot;）オブジェクトの子孫（または&#39;子供&#39;）を生成します。 <ol><li>幾つかの方法は、そのようなモーフィングや主成分（次の手順3と4を参照）などの滑らかな形状変化、仕事Bett製を作成するために以下で説明えー、すべての入力オブジェクトは、同じ数のセルを持ち、オブジェクトの頂点間の1対1の対応がある場合はfalse。そのようなオブジェクトを作成するための、唯一の細胞の数を変更することはありませんとオブジェクト間の頂点（ 例えば 、 図3のG 3〜世代G2）の1対1の対応関係を保持しますそれらのVMのプロセスを使用します。例えば、細胞分裂やプログラム細胞死は、細胞の数を変更し、オブジェクトの特定のペアの頂点間に一対一の対応を決定するために、（17,18不可能ではないが）はるかに困難それを作る。 指定されたオブジェクト内のセ​​ルの数を変えるプロセスは、その形状の複雑さを変更することに注意してください。一般的に、細胞の数が多いほど、オブジェクトの大きい形状の複雑さとその表面スムーズ。 </li><li>必要に応じて、デジタル胚以外の仮想オブジェクトは、VP（図4）への入力として使用することができます。 </li></ol></li><li>特徴19の特定のディストリビューションを達成するために、指定されたカテゴリ内のオブジェクトがさらにように選択することができます。たとえば、1つは選択して、オブジェクト·サイズの二峰性分布を生成するために、指定されたカテゴリから中規模のオブジェクトを排除することができます。 </li><li>すべてのカテゴリで使用可能な形状情報を測定するための普遍的に最適である単一のメソッドがありません、また、分類のすべてのオブジェクトを20から22に対して最適な唯一の方法がある。したがって、experimentorは20から22手でのカテゴリと計算目標に基づいて、これらの方法を選択する必要があります。ステップ4使用可能な形状情報の様々な側面を操作するための一般的に使用される方法を説明します。 </li><li>カテゴリの特定のペア間の類似度を客観的に可能な系統学的方法23,24を用いて測定することができる。階層CLによって測定されるように、例えば、カテゴリの特定のペアの間の垂直（または &#39;進化&#39;）距離R統計ツールキット内のメソッドをustering、カテゴリ類似25,26の客観的な尺度である。 </li></ol> 3。形状変化の作成の追加方法：モーフィングデジタル<ol><li> 1オブジェクトの各頂点が他のオブジェクト（ すなわち 、頂点の間の1対1の対応関係を持つオブジェクト）のちょうど1つの頂点に対応するように、オブジェクトの任意のペアを考えると、モーフィングは簡単17,18,27-29です：このでケースは、二つの物体の間の滑らかな変化（または&#39;モーフ&#39;）はスムーズに対応する頂点と法線（ 図5）の間を補間することによって生産されています。選択したオブジェクトのペアに応じて、モーフィングは、カテゴリ内の新しいカテゴリや他の子になります。 <ol><li> 図5に示されているオブジェクトは、リニアモーフィング27から29を使用して作成された。オブジェクトは、他の利用可能な変形テクニック17,18の広大な配列によって（またはワープ）モーフィングできます。 </li&gt; </ol></li><li>モーフィング形状の所望の分布を作成するには、それに応じて補間点を選択します。 </li></ol> 4。形状変化の作成の追加方法：主成分<ol><li>形状変化を生成する主要なコンポーネントを使用するために、1つは、第一主成分15を決定する必要があります。主成分は彼らに26を決定するために使用されるオブジェクトの特定のセットに固有のものです。良い結果を得るには、頂点26の間の1対1の対応で、少なくとも30のオブジェクトを使用します。 </li><li>平均的なオブジェクトを生成する n個の入力オブジェクトの所望の組から、個別にすべてのオブジェクトの座標と各頂点の法線を平均化すること。したがって、xが与えられた頂点 kのx座標 xの平均値は、などすべてのn個のオブジェクトの頂点 kの座標、されるべきである。 </li><li> MATLAB関数princompを使用n個のオブジェクトの主要なコンポーネントを判別します。これは、対応するn-1の固有値26と一緒に、n-1個の非ゼロの固有ベクトルを生成します。 </li><li>新しいオブジェクトを生成するために与えられた主成分から j P i は 、対応する固有値λiとA所望の重量w jと i を P掛けると平均オブジェクトに追加します。 J = J + WλiのP iの </li><li>それぞれのユニークなW j は 、固有のオブジェクトを生成します。スムーズにwを変化させることによって、人は与えられた主成分に沿って滑らかな形状のバリエーションを作成することができます。 </li><li>独立した形状寸法に沿った形状のバリエーションを作成するには、別の主要なコンポーネントを使用して、4.4を繰り返します。 </li><li>与えられた主成分に沿って形状の所望の分布を作成するには、wを希望するディストリビューションを使用します。&lt;/ LI&gt; <li>形状の多次元グリッドを作成するには、いくつかの主要コンポーネントごとに重みのセットを使用します。 <img alt="式（2）" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" /></li></ol> 5。 3次元物体の触覚バージョンの作成<ol><li> 3次元プロトタイパーを（または3-D &#39;プリンタ&#39;）を使用して、 &quot;プリントアウト&quot; 3-Dオブジェクト。必要な場合は、オブジェクトのサイズを調整して印刷する前にオブジェクトの表面を滑らかにする。 </li></ol> 6。エグゼンプラアプリケーション：画像カテゴリのベイズ推論<ol><li>視覚処理における重要なタスクは、指定された監視対象のオブジェクトが属するカテゴリを推測しています。この推論の正確なメカニズムは不明であるが、それはオブジェクトのカテゴリを推測するように指定された画像中の物体の既知の機能に関する情報を使用することを含むことを計算および生理学的証拠9,12,13,30-32両方があります。ここでは、イラストからなるTE方法この推論プロセスはベイズの枠組みで動作する可能性があり、そしてどのようにデジタル胚、この分野の研究にも有用であり得る。 </li><li>簡単さのために、私たちは、分類タスクはバイナリであり、カテゴリL（ 図3）から区別するカテゴリKを含むことを前提としています。 Cは 、カテゴリ変数とする。我々は、C = KまたはC = Lに私はKまたはLカテゴリに属しているかどうかを観察画像によると推論されます。分類に典型的なアプローチは、含まれます。 <ol><li>カテゴリは、画像内の情報が指定されて、Kである確率を計算し、pを表す（C = K | I）; </li><li>カテゴリは、画像内の情報を与えられ、Lである確率を計算し、pを表す（C = L | I）、および</li><li>高い確率でカテゴリを選ぶ。 </li></ol></li><li>次に、我々は、単純化のために仮定します正確に1つのバイナリ機能Fが存在すること。この機能は、イメージ内に存在する（F = 1と表される）またはイメージ（F = 0と表される）から欠けているかもしれません。この例では、 図8に示すように、 &quot;有益なフラグメント&quot;機能を使用します。有益なフラグメントは、第一ウルマンら33で説明された。本ケースでは、我々は、機能として、図8に示す画像テンプレート、および0.69のしきい値を使用します。この機能は、指定されたイメージ（例えば、 図3の行G3の右端の画像）に存在するか否かを決定するために、我々は、次の手順を使用します： <ol><li>画像内のすべての可能な場所の上でこのテンプレートをスライドさせて、それぞれの場所で、鋳型とし、基本的なサブ画像との正規化相関の絶対値を計算する。 </li><li>最高値（今回の場合0.60）でイメージの場所を選択します。 </li><li>この値がしきい値を超えている場合、結論機能が存在していることを、それ以外の場合は存在しないと結論付けている。我々のケースでは、最も高い相関0.60は0.69のしきい値を下回っているので、我々は、機能では、この画像には存在しないと結論付けている。 </li><li>このような機能を使用することの理論的根拠、および機能を選択し、そのしきい値を決定するためのメカニズムは、本報告書の範囲を超えていますが、レフリーに詳細に記載されている。 33、30。 </li></ol></li><li>機能ベースの推論の枠組みの中で、我々は、 私は 、画像からオブザーバー抽出全ての情報は、この機能の値に含まれていることを前提としています。電子は、そのP（C | I）= P（C | F）。 そのため、タスクは次のようになり、与えられた画像（有無）、コンピューP（C = K | F）のFの値を決定することとP（C = L | F）はその値Fのため、カテゴリを選択すると高いprobability。 </li><li>ベイズの枠組みでは、 </li></ol><img alt="式（3）" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" /> そのため、 <img alt="式（4）" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" />と<img alt="式（5）" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" /> 二つの式の分母が同じであることに注意してください。 （| F C = K）と pしたがって、pを比較する（C = L | F）は、それは分母を計算する必要はありません、むしろ、それは数量を計算するのに十分である P（C = K | F）αP（C = K）P（F | C = K） と P（C = L | F）αP（C = L）P（F | C = L） 木曜日ESEは、時には &quot;正規化されていない確率&quot;と呼ばれています。 項p（C）は &#39;前&#39;と呼ばれ、任期pは（F | C）は&#39;可能性&#39;と呼ばれています。 <ol start="6"><li>簡単にするために、我々は仮定する前に&quot;フラット&quot;：P（C = K）= P（C = L）= 0.5である。 </li><li> （C | F）は、与えられたカテゴリーCの画像で特定の機能値の確率タスクは 、p を計算することになりました。 <ol><li> （| C = L F = 1）の場合、機能はカテゴリLの画像内に存在する確率は p を計算するために、例として、カテゴリLの6つの画像（ 図3）を使用します。 </li><li> pを計算するには（F = 1 | C = L）は、最初のLに属するすべての学習画像を取る。繰り返しますが、これらは、 図3に示されている。 </li><li>各画像に対して、特徴値が1（存在するかどうかを判断として（6.3.1）に記載されている）または0（不在）、 - （6.3.3）。我々のケースでは、 図3の6つのイメージのために、値は次のとおりです：[0、0、1、0、1、0]。 </li><li>機能の値が1である画像の割合を計算します。私たちのケースでは、2/6 = 0.33である。 </li><li>したがって、P（F = 1 | C = L）= 0.33。正確な推定値を得るには、1は、クラスごとに少なくとも30枚の画像を使用する必要があります。 </li><li>同様に、我々は計算できるP（F = 0 | C = L）= 0.67、P（F = 1 | C = K）= 0.83、P（F = 0 | C = K）= 0.17。 </li></ol></li><li>これらの値を考えると、推論を行うことができます。我々は新しいイメージ（ 図9）が与えられていることを前提とし、タスクは、カテゴリラベルを決定することです。これは以下のように実行されます。 <ol><li> （6.3.3） -我々は、（6.3.1）で説明したように機能Fは 、画像内に存在するかどうかを判断します。我々のケースでは、FEAトゥーレは存在していますので、F = 1。 </li><li>方程式（1）を用いて、（2）と、で計算した値（6.7.5） - （6.7.6）、我々は計算することができますP（C = K | F = 1）= 0.42、P（C = L | F = 1）= 0.17。 </li><li>この情報を考えると、それはイメージが相対的に低い自信を持って、カテゴリkからのものであると結論することが合理的である。 </li></ol></li><li>それは、生物学的システム（例えば、心理物理実験）で、そのようなアプローチをテストするために興味深く、有用である可能性があります。このケースでは、行動の予測が行われ、そのような（6.8.2）で得られたものとして計算結果と比較することができます。正確な予測を行うためには、pの良好な推定値（F | C）が必要です。このような推定は、しかし、身近なもののために得ることは困難かもしれません。その理由は、pの被験者の推定値（F | C）を直接観察し、それが主題からそれを計算することが極めて困難とされていません自然画像への事前の露出は手に負えないと不明です。デジタル胚を実験のために使用されている場合とは対照的に、それは正確に被写体がさらされている胚や胚のカテゴリ制御することが可能である。これは、被験者がさらされたのと全く同じデータから関心の数量を計算することが容易になります。それは被写体が自然なカテゴリと同じカテゴリ分類戦略を使用していることそれはそうになりますので、胚 &#39;外観は自然主義的であるという事実は、便利です。 </li></ol>

<ol>
	<li>Palmeri, T. J., Gauthier, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+object+understanding.">Visual object understanding.</a> Nat. Rev. Neurosci. 5, 291-303 (2004).</li><li>Seger, C. A., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Category+learning+in+the+brain.">Category learning in the brain.</a> Annu. Rev. Neurosci. 33, 203-219 (2010).</li><li>Fahle, M., Poggio, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Perceptual Learning. , (2002).</li><li>Ashby, F. G., Maddox, W. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Human+category+learning.">Human category learning.</a> Annu. Rev. Psychol. 56, 149-178 (2005).</li><li>Gauthier, I., Tarr, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Becoming+a+"Greeble"+expert:+exploring+mechanisms+for+face+recognition.">Becoming a "Greeble" expert: exploring mechanisms for face recognition.</a> Vision Res. 37, 1673-1682 (1997).</li><li>Op de Beeck, H. P., Baker, C. I., DiCarlo, J. J., Kanwisher, N. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Discrimination+training+alters+object+representations+in+human+extrastriate+cortex.">Discrimination training alters object representations in human extrastriate cortex.</a> J. Neurosci. 26, 13025-13036 (2006).</li><li>Cui, M. L., Copsey, L., Green, A. A., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+control+of+organ+shape+by+combinatorial+gene+activity.">Quantitative control of organ shape by combinatorial gene activity.</a> PLoS Biol. 8, e1000538 (2010).</li><li>Green, A. A., Kennaway, J. R., Hanna, A. I., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genetic+control+of+organ+shape+and+tissue+polarity.">Genetic control of organ shape and tissue polarity.</a> PLoS Biol. 8, e1000537 (2010).</li><li>Hegd&#233;, J., Bart, E., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+object+categories.">Fragment-based learning of visual object categories.</a> Curr. Biol. 18, 597-601 (2008).</li><li>Bart, E., Hegd&#233;, J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+categories.">Fragment-based learning of visual categories.</a> , 121-12 (2008).</li><li>Ball, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Nature's patterns : a tapestry in three parts. , (2009).</li><li>Vuong, Q. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+categorization:+when+categories+fall+to+pieces.">Visual categorization: when categories fall to pieces.</a> Curr. Biol. 18, 427-429 (2008).</li><li>Kromrey, S., Maestri, M., Hauffen, K., Bart, E., Hegde, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+object+categories+in+non-human+primates.">Fragment-based learning of visual object categories in non-human primates.</a> PLoS One. 5, e15444 (2010).</li><li>Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bootstrapped+learning+of+novel+objects.">Bootstrapped learning of novel objects.</a> J. Vis. 3, 413-422 (2003).</li><li>Blanz, V., Vetter, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+morphable+model+for+the+synthesis+of+3D+faces.">A morphable model for the synthesis of 3D faces.</a> SIGGAPH. 26, 187-194 (1999).</li><li>Freedman, D. J., Riesenhuber, M., Poggio, T., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Categorical+representation+of+visual+stimuli+in+the+primate+prefrontal+cortex.">Categorical representation of visual stimuli in the primate prefrontal cortex.</a> Science. 291, 312-316 (2001).</li><li>Lerios, A., Garfinkle, C. D., Levoy, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Feature-based+volume+metamorphosis.">Feature-based volume metamorphosis.</a> SIGGRAPH. , 449-456 (1995).</li><li>Bronstein, A. M., Bronstein, M. M., Kimmel, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Numerical geometry of non-rigid shapes. , (2008).</li><li>Lotka, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Natural+Selection+as+a+Physical+Principle.">Natural Selection as a Physical Principle.</a> Proc. Natl. Acad. Sci. U.S.A. 8, 151-154 (1922).</li><li>Duda, R. O., Hart, P. E., Stork, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern classification. , (2001).</li><li>Bishop, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition and machine learning. , (2006).</li><li>Theodoridis, S., Koutroumbas, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition. , (2006).</li><li>Sokal, R. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biometry+:+The+principles+and+practice+of+statistics+in+biological+research.">Biometry : The principles and practice of statistics in biological research.</a> , (2011).</li><li>Tuffery, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Data mining and statistics for decision making. , (2011).</li><li>Crawley, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Statistical Computing: An Introduction to Data Analysis using S-Plus. , (2002).</li><li>Venables, W. N., Ripley, B. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Modern Applied Statistics with S. , (2003).</li><li>Beier, T., Neely, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Feature-based+image+metamorphosis.">Feature-based image metamorphosis.</a> SIGGRAPH. 26, 35-42 (1992).</li><li>Kent, J. R., Carlson, W. E., Parent, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Shape+transformation+for+polyhedral+objects.">Shape transformation for polyhedral objects.</a> SIGGRAPH. 26, 47-54 (1992).</li><li>Gomes, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Warping and morphing of graphical objects. , (1999).</li><li>Ullman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Object+recognition+and+segmentation+by+a+fragment-based+hierarchy.">Object recognition and segmentation by a fragment-based hierarchy.</a> Trends Cogn. Sci. 11, 58-64 (2007).</li><li>Kobatake, E., Tanaka, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neuronal+selectivities+to+complex+object+features+in+the+ventral+visual+pathway+of+the+macaque+cerebral+cortex.">Neuronal selectivities to complex object features in the ventral visual pathway of the macaque cerebral cortex.</a> J. Neurophysiol. 71, 856-867 (1994).</li><li>Serre, T., Wolf, L., Poggio, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). , (2005).</li><li>Ullman, S., Vidal-Naquet, M., Sali, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+features+of+intermediate+complexity+and+their+use+in+classification.">Visual features of intermediate complexity and their use in classification.</a> Nat. Neurosci. 5, 682-687 (2002).</li><li>Davis, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Computer graphics. , (2011).</li><li>Lengyel, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Mathematics for 3D game programming and computer graphics, third edition. , (2011).</li><li>Gilbert, S. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Developmental biology. , (2010).</li><li>Gilbert, S. F., Epel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Ecological developmental biology : integrating epigenetics, medicine, and evolution. , (2009).</li><li>Hegd&#233;, J., Thompson, S. K., Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Object+Recognition+in+Clutter:+Cortical+Responses+Depend+on+the+Type+of+Learning.">Object Recognition in Clutter: Cortical Responses Depend on the Type of Learning.</a> Frontiers in Human Neuroscience. 6, 170 (2012).</li><li>Mervis, C. B., Rosch, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Categorization+of+natural+objects.">Categorization of natural objects.</a> Annual Review of Psychology. 32, 89-115 (1981).</li><li>Futuyma, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Evolution. , (2009).</li></ol>

特別な利害関係は宣言されません。

認知科学研究のVMとVPの有用性我々は以前に詳細L9 ,10,12-14のVMとVPの有用性を説明してきました。それは小説が、自然主義的な3-Dオブジェクト14を作成するための原則的かつ柔軟な方法を提供するので、簡単に説明すると、特に、VM、デジタル胚の方法論は、便利です。同様に、VPは自然主義的なカテゴリ9,10,12,13作成の原理に基づいた方法を提供します。これは、オブジェクトのカテゴリはカテゴリは自然の中で階層的になる傾向があるという事実を含め、本質的にオブジェクトのカテゴリとVPのシェアの多くの機能によって生成されたことは注目に値しますし、カテゴリ内および間での機能のバリエーションは分類のために独自に実験やアルゴリズムの生じるその39。 現在の制限と今後の方向性三現在の我々のプロトコルの限界や、彼らは示唆している将来の仕事の方向性特に注目されています：まず、VMとVPの両方は、生物学的プロセスをシミュレートします。我々は、非生物学的な仮想オブジェクトは、これらのプロセスのための基材として使用できることを示しているが、基礎プロセスは依然として生物学的に動機づけられています。しかし、天然物 - 同様に、生物学的および非生物 - 非生物学的な力による形状変化を受ける。例えば、岩は、浸食や堆積などの地質学的過程に起因する形状に変更されることがあります。岩の新しいカテゴリは、他のそのような地質学的過程から発生する可能性がある。これは、利用可能な形状変化アルゴリズムのレパートリーに、これらのプロセスを組み込むことが比較的簡単であるべきです。 我々のプロトコルの第2の主要な制限は、 動的な形状変化の現在のレパートリーはかなり限られていることです。それはそのような生物学的な動き、またはそのような風、水や重力などの外力による運動などの形状変化の大きい配列を組み込むことが望ましい。我々は、それがウィルことを期待lは、このような動的な形状変更を実装するために知られているコンピュータ·アニメーションのアルゴリズムを負担することに持参するのは比較的簡単である。 我々のプロトコルの第三の主要な制限は、VMが現在原腸陥入36、最も顕著なのは、を含む他の多くの既知の形態形成のプロセスが含まれていないことです。また、理由の細胞壁の可能性はほとんどあるいはまったく細胞の動きを受けて、その植物の形態形成は、成長によって完全に媒介されているという事実など、いくつかの既知の制約、、、36を組み込むために失敗します。同様に、VPは、遺伝的浮動40などの他の既知の系統学的プロセスは含まれません。これらの制限に対処するには、発達の生態学と進化シミュレーションで、我々のプロトコルの使用を容易に大いに役立つだろう。

<table border="1"><tbody><tr><td> ツールキット/機器の名称 </td><td> 会社/著者 </td><td> カタログ＃ </td><td> 注釈 </td></tr><tr><td>デジタル胚ショップ（DEW） </td><td>マーク·ブレイディとDan区</td><td></td><td>このユーザーフレンドリーなメニュー方式のツールはダウンロードから1として無料でダウンロードすることができます<a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> 。 Windowsの場合のみ、現在利用可能。 </td></tr><tr><td> Cygwin用デジタル胚ツール</td><td>ジェイHegdéとカリンHauffen </td><td></td><td>これは、それほどユーザーフレンドリーなプログラムの緩いコレクションです。彼らは、Windows用のCygwin Linuxエミュレータのコマンドラインインターフェイスから実行するように設計されています。これらのプログラムは、からダウンロード2としてダウンロードすることができます<a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos。 Cygwinのインターフェース自体はから無料でダウンロードでき<a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> 。 </td></tr><tr><td> Autodesk 3ds Maxの、モントリオール、ケベック、カナダ</td><td>オートデスクメディア＆エンターテインメント</td><td> 3ds Maxの</td><td>これは、柔軟なプラグインアーキテクチャと内蔵のスクリプト言語を使った3次元モデリング、アニメーション、レンダリングのツールキットです。現在のオペレーティングシステムのほとんどで利用可能。 </td></tr><tr><td> MATLAB </td><td> Mathworks社株式会社、ボストン、マサチューセッツ、米国</td><td> MATLAB </td><td>これは、多くの便利なアドオン機能付き数値計算環境やプログラミング言語です。現在のオペレーティングシステムのほとんどで利用可能。 </td></tr><tr><td> R統計ツールキット</td><td>統計コンピューティングのためのRプロジェクト</td><td> R </td><td>から無料でダウンロードすることができます<a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /。現在のオペレーティングシステムのほとんどで利用可能。 </td></tr><tr><td> OpenGLの</td><td>クロノス·グループ</td><td> OpenGLの</td><td>このクロス言語、クロスプラットフォームのグラフィカルなツールキットは、から無料でダウンロードでき<a href="http://www.opengl.org" target="_blank">www.opengl.org</a> 。 </td></tr><tr><td> V-フラッシュパーソナルプリンタ</td><td> 3Dシステムズ、ロックヒル、サウスカロライナ州、アメリカ合衆国</td><td> V-フラッシュ</td><td>これは、このレポートに記載されたすべての3次元印刷用途に適した値です。印刷物は、3D Systems社vendedアール株式会社安価なモデルがRepRap（rapmanusa.com）とMakerGearからオープンソースの形で提供されています。より高価なモデル（&gt; 30ドルK）のオブジェジオメトリから入手可能である、3DSのシステム、Zコーポレーション、ディメンション·印刷等</td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquidのインク、ニューヨーク、LA </td><td> （様々なオブジェクト） </td><td>さまざまな仮想3次元物体を無料でこのサイトから、または有料でダウンロードすることができます。 </td></tr><tr><td></td><td></td><td></td><td> 表1。特化したツールキットや機器の表。 </td></tr></tbody></table>

creating objects and object categories for studying perception and perceptual learning

定量対象知覚を研究するために、生物学的システムによって、またはマシン、特性1、好ましくは自然主義的な、正確に定義可能で、オブジェクトとオブジェクトカテゴリを作成する1つのニーズによって、それが知覚される。さらに、知覚学習に関する研究のために、それはそのような特性を有する新規2オブジェクトとオブジェクトカテゴリ（またはオブジェクトクラス ） を作成するのに便利です。 多くの革新的で有用な方法は、現在、新規のオブジェクトとオブジェクトカテゴリ3-6（またrefsを参照してください。7,8）を作成するために存在しています。しかし、一般的に言えば、既存の方法は欠点の3つの広範な種類を持っている。 まず、形状の変化は、一般的に実験5,9,10により課されているので、自然カテゴリの変動とは異なる場合があり、特定の認識アルゴリズムのために最適化されています。それはバリエーションがエクステとは独立に発生することが望ましいであろうrnally制約を課​​した。 第二に、既存の方法では、11月13日自然物の形状の複雑さを捉えることが困難である。目標は、自然物の知覚を研究することである場合、オブジェクトとオブジェクトカテゴリが可能交絡や特殊なケースを避けるために、自然主義的であるためには、それが望ましい。 第三に、それは定量的に従来の方法で作成された刺激で入手可能な情報を測定することは一般に困難である。それは体系的に（または &quot;調整&quot;）操作、必要な場合には、利用可能な情報を正確に測定することができるオブジェクトとオブジェクトのカテゴリを作成し、することが望ましいであろう。これは、1つは、量的には、基礎となるオブジェクト認識タスクを策定することができます。 ここでは、上記の基準の3つすべてを満たすアルゴリズム、またはメソッドのセットを記述します。仮想形態形成（VM）はによって &quot;デジタル胚&quot;と呼ばれる小説、自然主義的な仮想3次元オブジェクトを作成する胚発生14の生物学的プロセスをシミュレートする。仮想系統発生（VP）は自然淘汰9,12,13の進化の過程をシミュレートすることによって、小説、自然主義的なオブジェクトのカテゴリを作成します。これらのシミュレーションによって作成されたオブジェクトとオブジェクトカテゴリは、さらに形状特性15,16の系統的なバリエーションを生成するために様々なモーフィングの方法で操作することができます。 VPとモーフィングの方法もまた、デジタル胚以外の小説の仮想オブジェクトに、または実世界のオブジェクト9,13の仮想バージョンには、原則として適用することができます。この方法で作成された仮想物体は、表面の質感、照明、サイズ、視点と背景の所望の操作で、従来のグラフィカルツールキットを使用して視覚的なイメージとしてレンダリングできます。仮想オブジェクトはまた、従来の3次元プロトを使って触覚オブジェクトとして &quot;印刷&quot;することができます。 我々はまた、illusを助けるために、これらの計算アルゴリズムのいくつかの実装を記述するアルゴリズムの潜在的有用性をtrate。それらの実装のアルゴリズムを区別することが重要である。実装は、単に基本的なアルゴリズムの &quot;原理の証明&quot;として提供されるデモです。一般的には、計算アルゴリズムの実装がしばしばアルゴリズム自体が持っていない制限がありますことに注意するのは重要です。 一緒に、これらの方法は同様の生物学的および計算システムによる物体認識と知覚学習を研究するための強力かつ柔軟なツールのセットを表します。適切な拡張子を使用すると、これらの方法はまた、形態形成と系統発生の研究に有用証明するかもしれない。

VMは、新規な3-D図形の事実上無限の供給を生成するために使用できます。 VMのアルゴリズムを使用して生成されたいくつかの模範デジタル胚は、 図1の下部パネルに表示されます。これら16胚の各々は、Cygwin用デジタル胚ツールで&#39;growEmbryos.exe&#39;プログラムを使用して生成された（ 表1参照）40成長のためにサイクル。他のすべての成長パラメータは、プログラムで内部的に設定されていました。これらのパラメータのほとんどは（1つの胚から次と同じ、 すなわち ）一定であった。そのようなモルフォゲン源の位置と強さなど、いくつかのパラメータは、実行ごとに独立してプログラムによって内部的に設定パラメータがランダムであった。これらの16個の胚のうち、形状の変化は、これらのランダムパラメータの変化の結果としてのみ生じたものである。 いくつかの任意に選ばれたテクスチャを使用して表面テクスチャリング34,35のいくつかの例は、図2Aに示されています。のビジュアルシーン図2Bに示すようにrbitrary複雑さは、市販の3次元モデリングとレンダリング環境を使用して作成できます。 デジタル胚を用いVPで生成された代表者の家系は&#39; 図3に示します。 図4に示すように、同程度の木はまた、デジタル胚以外のオブジェクトを用いて構築することができる。実験者は、オブジェクトの他のセットのようなカテゴリを定義するのを選ぶかもしれませんが、いずれの場合も、共通の祖先を共有するオブジェクトは素直に、カテゴリを構成することに注意してください。それは、VMとVPアルゴリズムの私達の現在の実装では、ぎざぎざや平らなオブジェクトとは対照的に、比較的滑らかで、曲面を生成する傾向があることが図4からは注目に値する。 biolologicalプロセスは客観作り出すことができるので、それはまた、これはおそらく、これらのアルゴリズムではなく、アルゴリズム自体の実装の ​​制限であることは注目に値する平らな表面にギザギザの輪郭（ 例えば 。、バラの葉）とTS。 図5と図6は、物体の形状やオブジェクトカテゴリで理にかなったバリエーションを作成するための2つに加えて使用することができる方法、またはその代わりに、VPの典型的な結果を示している。 図7の上部パネルには、2つのデジタル胚の視覚的なレンダリングを示し、 図7の下部パネルには、市販の3次元プロトによって生成された対応するプリントアウトを示しています。 図8と図9は、指定されたビジュアルオブジェクトを分類するために画像の断片を使用するためのセクション6で説明した手順を示しています。 <img alt="図1" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig1highres.jpg" src="/files/ftp_upload/3358/3358fig1.jpg" /> 図1。仮想形態形成。 </strong&gt;の下部パネルに&quot;デジタル胚&quot; 14と呼ばれる小説、自然主義的な、仮想3次元オブジェクトのタイプを示しています。モルフォゲン媒介細胞分裂、細胞増殖、細胞運動やプログラム細胞死7,8,36,37：デジタル胚が胚発生生物学の重要なプロセスのいくつかの1以上をシミュレートすることによって生成することができます。各ランは正二十面体（トップパネルに示されている）で始まり、その胚のVMパラメータ設定（または &quot;遺伝子型&quot;）に応じて、ユニークな胚を生成します。彼らはすべての異なる遺伝子型を持っているので、このようにして、下のパネルで16胚は、形状が異なります。必要に応じて簡単に、より複雑な形状は、胚の遺伝子型を操作することによって（ 例えば 、最適な視覚的な階層の特定のレベルに、神経細胞を刺激する）を生成することができることに注意してください。プログラムされた細胞死を除く上記のembryogeneticプロセスのすべてが示された胚を生成する際にシミュレートした。シミュレートされたプログラム細胞死は、特にですターゲットのくぼみ（図示せず）を作成するのに便利。 <img alt="図2" fo:content-width="3.6in" fo:src="/files/ftp_upload/3358/3358fig2highres.jpg" src="/files/ftp_upload/3358/3358fig2.jpg" /> 図2。デジタル胚を用いた視覚刺激を作成します。任意の仮想3次元オブジェクトと同様に、デジタル胚をグラフィカルに任意の標準的な3次元グラフィカルツールキットを使用して、任意の複雑な視覚的なシーンを作成するように操作することができる。この図は、いくつかの一般的な操作を示しています（A）は 、同じデジタル胚は、多くの異なるテクスチャを使用してテクスチャであり、左上の目に見えない光源から点灯。（B）はカモフラージュシーンをリサイズすることで作成され、デジタル胚を再配向させデジタルでそれは同じだったとテクスチャを背景にそれを置く。デジタル胚は、右下の象限の &quot;丸見え&quot;で見つけることができます。視覚刺激Creの追加の例については、デジタル胚を用いated、refsを参照してください。 9,10,12-14,38。 <img alt="図3" fo:content-width="5in" fo:src="/files/ftp_upload/3358/3358fig3highres.jpg" src="/files/ftp_upload/3358/3358fig3.jpg" /> 図3。 VPを使用してデジタル胚のカテゴリを作成します。VPのアルゴリズムは、いずれの場合も、新規オブジェクトとオブジェクトカテゴリになどのバリエーションが選択的に蓄積する遺伝現れることで生物の進化をエミュレートします。各世代G iで、選択された胚は、世代、G i +1につながる、子を産む。子孫は、親の形状特性を継承しますが、彼らが開発するような独自の形状変化を（それらの遺伝子型の小さな変化によって決定されるように）計上する。この図は、単一の共通祖先、正二十面体から始まる子孫の3つの世代の &quot;家系図&quot;を示しています。正二十面体からgeneratの形状の複雑さが増大し、この場合は、次のことを注意してくださいイオンG 1、gではなく1以降。細胞数の増加（ すなわち 。、細胞分裂）正二十面体から世代G 1にさせて頂きましたので、これはですが、そうでない場合、G 1以降。一般的に、細胞分裂がこのような形状の全体的な複雑さを変えることなく、細胞運動、細胞増殖の変化形のような他の形態形成のプロセスに対し、形状の複雑さを増加させる傾向がある。 <img alt="図4" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig4highres.jpg" src="/files/ftp_upload/3358/3358fig4.jpg" /> 図4。 VPはデジタル胚以外の仮想オブジェクトを使用してこの図は、デジタル胚以外の仮想オブジェクトがVPへの入力として使用することができる一般的な原理を説明するのに役立ちます。現在の形でのVPアルゴリズムは、表面の三角形だけで構成されている仮想3-Dオブジェクトを操作することができます。世代G 1 comprisのED（左から右へ）ひょうたん、ダイヤモンド、フェイスマスク、リンゴ、ロック、サボテン​​。 VPはそれを必要としないので、この図の世代G1のオブジェクトが共通の祖先を持っていないことに注意してください。 G 2およびG 3内のオブジェクトは、G 1の岩の子孫を表しています。無細胞分裂はすべての形状の変化はもっぱら運動及び/又は指定されたオブジェクトの個々の &quot;細胞&quot;の成長から生じたので、どの世代では許可されませんでした。 <img alt="図5" fo:content-width="6.5in" fo:src="/files/ftp_upload/3358/3358fig5highres.jpg" src="/files/ftp_upload/3358/3358fig5.jpg" /> 図5。使用して、形状の滑らかなバリエーションを作成するモーフィングモーフィングするには、2つの指名の対応する頂点間を補間することによって、与えられた二つのオブジェクト（この図の左端と右端の胚）を取得し、中間オブジェクトを（胚介在する）計算する必要がdのオブジェクト。示されたケースで​​は、すべての頂点がモーフィング線形で、その結果、同じスカラー係数を用いて補間した。しかし、それは（図示せず）は、非直線的にオブジェクトを変形することも可能です。 2オブジェクトの頂点の間の正確な一対一の対応があるときに表示される場合のようにモーフィングは、計算は簡単です。そうやって17,18には固有の原理に基づいた方法がありませんがしかし、それは関係なく、その頂点が正確に対応するかどうかの任意の2つの指定された仮想オブジェクト間のモーフに、原理的には可能である。 <img alt="図6" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig6highres.jpg" src="/files/ftp_upload/3358/3358fig6.jpg" /> 図6。形状が滑らかなバリエーションを作成することが主要なコンポーネントを使用して。 （A）の平均胚。この胚は400胚（カテゴリからそれぞれ200 KおよびLでの算術平均を表す図3）。ステップ4.3で説明されるように主成分を計算した。主成分が400胚の互いに独立した、抽象的な形状寸法（図示せず）25,26を表していることに注意してください。 400胚は一緒にすべての分散、または胚では総称して使用可能な形状情報、を占める399非ゼロ主成分25,26を生じる。慣例により、主成分は、その固有値の大きい順に、またはそれらが25,26の説明全体の分散の割合で配置されている。この場合、最初の2つの主要なコンポーネントは、それぞれ73％と400胚で利用可能な形状情報の19％を占めています（B）が主成分1の異なる重みを（あるいはより正確には、重み付けされた固有値）を表す胚。重みは-0.2の等しいステップで2（左端）から-2（右端）に変化した。プリンシパルCOMPONの異なる重みを表す（C）と胚ENT 2。重量も2（左端）から-0.2の等ステップで-2（右端）に変化した。主要コンポーネントを操作すると、排他的に（ 例えば 。、ケース内の胚の翼が示されている）、胚の任意の特定の身体の部分を操作しないことに注意してください。ただし、必要に応じて、仮想の身体の部分の3-Dオブジェクト（図示せず）は、市販の3次元モデリング環境のほとんどを使用して、任意のユーザー定義の方法で操作することができます。 <img alt="図7" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig7highres.jpg" src="/files/ftp_upload/3358/3358fig7.jpg" /> 図7。触覚オブジェクトを作成します。仮想3次元オブジェクトは、標準的な市販の3-D &#39;プリンタ&#39;またはプロトを使って触覚オブジェクトとして&quot;印刷&quot;することができます。この図は、ビジュアルオブジェクト（一番上の行）として、または対応する触覚オブジェクト（下の行）のようにレンダリングされたデジタル胚を示しています。触覚オブジェクトのオブジェクトが非常に小さい、または大きいサイズでプリントすることができますが、この図ではhownは、約6センチ幅（スケールバー= 1 cm）である印刷された。 <img alt="図8" src="/files/ftp_upload/3358/3358fig8.jpg" /> 図8。例有益なフラグメントのテンプレートは、この例では、テンプレートは、それに関連付けられた0.69のしきい値があります。 <img alt="図9" fo:content-width="2.5in" fo:src="/files/ftp_upload/3358/3358fig9highres.jpg" src="/files/ftp_upload/3358/3358fig9.jpg" /> 図9：オブジェクトカテゴリが知られていないと判断される必要があるため、新しいイメージ。

Watch this Scientific Journal Video about Creating Objects and Object Categories for Studying Perception and Perceptual Learning at JoVE.com

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

我々は正確に定義された機能の変動に自然主義的な3-Dオブジェクトとオブジェクトカテゴリを作成するための新しい方法論を記述する。次に、視覚画像や触覚オブジェクトとしてレンダリングできます小説、自然主義的な仮想3-Dオブジェクトとオブジェクトカテゴリを作成する形態形成と系統発生の生物学的プロセスのシミュレーションを使用しています。

知覚と知覚学習を研究するためのオブジェクトとオブジェクトのカテゴリを作成する

In order to quantitatively study object perception, be it perception by biological systems or by machines, one needs to create objects and object ...

creating-objects-object-categories-for-studying-perception-perceptual

Research

JoVE Journal

Neuroscience

11.7K ビュー.  Georgia Health Sciences University. 我々は正確に定義された機能の変動に自然主義的な3-Dオブジェクトとオブジェクトカテゴリを作成するための新しい方法論を記述する。次に、視覚画像や触覚オブジェクトとしてレンダリングできます小説、自然主義的な仮想3-Dオブジェクトとオブジェクトカテゴリを作成する形態形成と系統発生の生物学的プロセスのシミュレーションを使用していま?...

ビデオ: Creating Objects and Object Categories for Studying Perception and Perceptual Learning

C. elegans Positive Butanone Learning, Short-term, and Long-term Associative Memory Assays

The memory of experiences and learned information is critical for organisms to make choices that aid their survival. C. elegans navigates its environment through neuron-specific detection of food and chemical odors1, 2, and can associate nutritive states with chemical odors3, temperature4, and the pathogenicity of a food source5.
Here, we describe assays of C. elegans associative learning and short- and long-term associative memory. We modified an aversive olfactory learning paradigm6 to instead produce a positive response; the assay involves starving ~400 worms, then feeding the worms in the presence of the AWC neuron-sensed volatile chemoattractant butanone at a concentration that elicits a low chemotactic index (similar to Toroyama et al.7). A standard population chemotaxis assay1 tests the worms' attraction to the odorant immediately or minutes to hours after conditioning.
After conditioning, wild-type animals' chemotaxis to butanone increases ~0.6 Chemotaxis Index units, its "Learning Index". Associative learning is dependent on the presence of both food and butanone during training. Pairing food and butanone for a single conditioning period ("massed training") produces short-term associative memory that lasts ~2 hours. Multiple conditioning periods with rest periods between ("spaced training") yields long-term associative memory (&lt;40 hours), and is dependent on the cAMP Response Element Binding protein (CREB),6 a transcription factor required for long-term memory across species.8
Our protocol also includes image analysis methods for quick and accurate determination of chemotaxis indices. High-contrast images of animals on chemotaxis assay plates are captured and analyzed by worm counting software in MatLab. The software corrects for uneven background using a morphological tophat transformation.9 Otsu's method is then used to determine a threshold to separate worms from the background.10 Very small particles are removed automatically and larger non-worm regions (plate edges or agar punches) are removed by manual selection. The software then estimates the size of single worm by ignoring regions that are above a specified maximum size and taking the median size of the remaining regions. The number of worms is then estimated by dividing the total area identified as occupied by worms by the estimated size of a single worm.
We have found that learning and short- and long-term memory can be distinguished, and that these processes share similar key molecules with higher organisms.6,8 Our assays can quickly test novel candidate genes or molecules that affect learning and short- or long-term memory in C. elegans that are relevant across species.

C. elegans Positive Butanone Learning, Short-term, and Long-term Associative Memory Assays

Here we describe methods to test C. elegans associative learning and short- and long-term associative memory. These population assays employ the worms abilities to chemotax toward volatile odorants, and form positive associations upon pairing food with the chemoattractant butanone. Increasing the number of conditioning periods induces long-term memory.

C. elegansの正ブタノンの学習、短期、および長期連想記憶アッセイ

The memory of experiences and learned information is critical for organisms to make choices that aid their survival. C. elegans navigates its environment ...

神経科学

Using Affordable LED Arrays for Photo-Stimulation of Neurons

Standard slice electrophysiology has allowed researchers to probe individual components of neural circuitry by recording electrical responses of single cells in response to electrical or pharmacological manipulations1,2. With the invention of methods to optically control genetically targeted neurons (optogenetics), researchers now have an unprecedented level of control over specific groups of neurons in the standard slice preparation. In particular, photosensitive channelrhodopsin-2 (ChR2) allows researchers to activate neurons with light3,4. By combining careful calibration of LED-based photostimulation of ChR2 with standard slice electrophysiology, we are able to probe with greater detail the role of adult-born interneurons in the olfactory bulb, the first central relay of the olfactory system. Using viral expression of ChR2-YFP specifically in adult-born neurons, we can selectively control young adult-born neurons in a milieu of older and mature neurons. Our optical control uses a simple and inexpensive LED system, and we show how this system can be calibrated to understand how much light is needed to evoke spiking activity in single neurons. Hence, brief flashes of blue light can remotely control the firing pattern of ChR2-transduced newborn cells.

Adult-born neurons expressing ChR2 can be manipulated in slice electrophysiological preparations in order to examine their contribution towards the function of olfactory neural circuits.

ニューロンの光刺激のために手ごろな価格のLEDアレイを使用する

Standard slice electrophysiology has allowed researchers to probe individual components of neural circuitry by recording electrical responses of single ...

Selective Viral Transduction of Adult-born Olfactory Neurons for Chronic in vivo Optogenetic Stimulation

Local interneurons are continuously regenerated in the olfactory bulb of adult rodents1-3. In this process, called adult neurogenesis, neural stem cells in the walls of the lateral ventricle give rise to neuroblasts that migrate for several millimeters along the rostral migratory stream (RMS) to reach and incorporate into the olfactory bulb. To study the different steps and the impact of adult-born neuron integration into preexisting olfactory circuits, it is necessary to selectively label and manipulate the activity of this specific population of neurons. The recent development of optogenetic technologies offers the opportunity to use light to precisely activate this specific cohort of neurons without affecting surrounding neurons4,5. Here, we present a series of procedures to virally express Channelrhodopsin2(ChR2)-YFP in a temporally restricted cohort of neuroblasts in the RMS before they reach the olfactory bulb and become adult-born neurons. In addition, we show how to implant and calibrate a miniature LED for chronic in vivo stimulation of ChR2-expressing neurons.

Selective Viral Transduction of Adult-born Olfactory Neurons for Chronic in vivo Optogenetic Stimulation

Adult-born neurons of the olfactory bulb can be optogenetically controlled using Channelrhodopsin2-expressing lentiviral injection in the rostral migratory stream and chronic photostimulation with an implanted miniature LED.

慢性のためのアダルト生まれの嗅覚ニューロンの選択的なウイルス形質導入 in vivoで Optogenetic刺激

Local interneurons are continuously regenerated in the olfactory bulb of adult rodents1-3. In this process, called adult neurogenesis, neural stem cells ...

MPI CyberMotion Simulator: Implementation of a Novel Motion Simulator to Investigate Multisensory Path Integration in Three Dimensions

Path integration is a process in which self-motion is integrated over time to obtain an estimate of one's current position relative to a starting point 1. Humans can do path integration based exclusively on visual 2-3, auditory 4, or inertial cues 5. However, with multiple cues present, inertial cues - particularly kinaesthetic - seem to dominate 6-7. In the absence of vision, humans tend to overestimate short distances (&lt;5 m) and turning angles (&lt;30&deg;), but underestimate longer ones 5. Movement through physical space therefore does not seem to be accurately represented by the brain.
Extensive work has been done on evaluating path integration in the horizontal plane, but little is known about vertical movement (see 3 for virtual movement from vision alone). One reason for this is that traditional motion simulators have a small range of motion restricted mainly to the horizontal plane. Here we take advantage of a motion simulator 8-9 with a large range of motion to assess whether path integration is similar between horizontal and vertical planes. The relative contributions of inertial and visual cues for path navigation were also assessed.
16 observers sat upright in a seat mounted to the flange of a modified KUKA anthropomorphic robot arm. Sensory information was manipulated by providing visual (optic flow, limited lifetime star field), vestibular-kinaesthetic (passive self motion with eyes closed), or visual and vestibular-kinaesthetic motion cues. Movement trajectories in the horizontal, sagittal and frontal planes consisted of two segment lengths (1st: 0.4 m, 2nd: 1 m; &plusmn;0.24 m/s2 peak acceleration). The angle of the two segments was either 45&deg; or 90&deg;. Observers pointed back to their origin by moving an arrow that was superimposed on an avatar presented on the screen.
Observers were more likely to underestimate angle size for movement in the horizontal plane compared to the vertical planes. In the frontal plane observers were more likely to overestimate angle size while there was no such bias in the sagittal plane. Finally, observers responded slower when answering based on vestibular-kinaesthetic information alone. Human path integration based on vestibular-kinaesthetic information alone thus takes longer than when visual information is present. That pointing is consistent with underestimating and overestimating the angle one has moved through in the horizontal and vertical planes respectively, suggests that the neural representation of self-motion through space is non-symmetrical which may relate to the fact that humans experience movement mostly within the horizontal plane.

An efficient way to gain insight into how humans navigate themselves in three dimensions is described. The method takes advantage of a motion simulator capable of moving observers in ways unattainable by traditional simulators. Results confirm that movement in the horizontal plane is underestimated, while vertical movement is overestimated.

MPI Cyber​​Motionシミュレータ：三次元的に多感覚パスの統合を調査するための新しいモーションシミュレータの実装

Path integration is a process in which self-motion is integrated over time to obtain an estimate of one's current position relative to a starting point 1. ...

High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon measuring activity on the surface of cerebral cortex rather than in subcortical regions such as midbrain and brainstem. Subcortical fMRI must overcome two challenges: spatial resolution and physiological noise. Here we describe an optimized set of techniques developed to perform high-resolution fMRI in human SC, a structure on the dorsal surface of the midbrain; the methods can also be used to image other brainstem and subcortical structures.
High-resolution (1.2 mm voxels) fMRI of the SC requires a non-conventional approach. The desired spatial sampling is obtained using a multi-shot (interleaved) spiral acquisition1. Since, T2* of SC tissue is longer than in cortex, a correspondingly longer echo time (TE ~ 40 msec) is used to maximize functional contrast. To cover the full extent of the SC, 8-10 slices are obtained. For each session a structural anatomy with the same slice prescription as the fMRI is also obtained, which is used to align the functional data to a high-resolution reference volume.
In a separate session, for each subject, we create a high-resolution (0.7 mm sampling) reference volume using a T1-weighted sequence that gives good tissue contrast. In the reference volume, the midbrain region is segmented using the ITK-SNAP software application2. This segmentation is used to create a 3D surface representation of the midbrain that is both smooth and accurate3. The surface vertices and normals are used to create a map of depth from the midbrain surface within the tissue4.
Functional data is transformed into the coordinate system of the segmented reference volume. Depth associations of the voxels enable the averaging of fMRI time series data within specified depth ranges to improve signal quality. Data is rendered on the 3D surface for visualization.
In our lab we use this technique for measuring topographic maps of visual stimulation and covert and overt visual attention within the SC1. As an example, we demonstrate the topographic representation of polar angle to visual stimulation in SC.

This article describes techniques to perform high-resolution functional magnetic resonance imaging with 1.2 mm sampling in human midbrain and subcortical structures using a 3T scanner. Use of these techniques to resolve topographic maps of visual stimulation in the human superior colliculus (SC) is given as an example.

人間の中脳の高解像度機能的磁気共鳴画像法

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon ...

Optical Recording of Suprathreshold Neural Activity with Single-cell and Single-spike Resolution

Signaling of information in the vertebrate central nervous system is often carried by populations of neurons rather than individual neurons. Also propagation of suprathreshold spiking activity involves populations of neurons. Empirical studies addressing cortical function directly thus require recordings from populations of neurons with high resolution. Here we describe an optical method and a deconvolution algorithm to record neural activity from up to 100 neurons with single-cell and single-spike resolution. This method relies on detection of the transient increases in intracellular somatic calcium concentration associated with suprathreshold electrical spikes (action potentials) in cortical neurons. High temporal resolution of the optical recordings is achieved by a fast random-access scanning technique using acousto-optical deflectors (AODs)1. Two-photon excitation of the calcium-sensitive dye results in high spatial resolution in opaque brain tissue2. Reconstruction of spikes from the fluorescence calcium recordings is achieved by a maximum-likelihood method. Simultaneous electrophysiological and optical recordings indicate that our method reliably detects spikes (&gt;97% spike detection efficiency), has a low rate of false positive spike detection (&lt; 0.003 spikes/sec), and a high temporal precision (about 3 msec) 3. This optical method of spike detection can be used to record neural activity in vitro and in anesthetized animals in vivo3,4.

Understanding the function of the vertebrate central nervous system requires recordings from many neurons because cortical function arises on the level of populations of neurons. Here we describe an optical method to record suprathreshold neural activity with single-cell and single-spike resolution, dithered random-access scanning. This method records somatic fluorescence calcium signals from up to 100 neurons with high temporal resolution. A maximum-likelihood algorithm deconvolves the underlying suprathreshold neural activity from the somatic fluorescence calcium signals. This method reliably detects spikes with high detection efficiency and a low rate of false positives and can be used to study neural populations in vitro and in vivo.

単一セルと単スパイク分解能で閾値上神経活動の光記録

Signaling of information in the vertebrate central nervous system is often carried by populations of neurons rather than individual neurons. Also ...

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the cortical networks involved in dynamical perceptual and cognitive tasks, such as attending to different sounds in a cocktail party. Many past studies have employed data recorded at the sensor level only, i.e., the magnetic fields or the electric potentials recorded outside and on the scalp, and have usually focused on activity that is time-locked to the stimulus presentation. This type of event-related field / potential analysis is particularly useful when there are only a small number of distinct dipolar patterns that can be isolated and identified in space and time. Alternatively, by utilizing anatomical information, these distinct field patterns can be localized as current sources on the cortex. However, for a more sustained response that may not be time-locked to a specific stimulus (e.g., in preparation for listening to one of the two simultaneously presented spoken digits based on the cued auditory feature) or may be distributed across multiple spatial locations unknown a priori, the recruitment of a distributed cortical network may not be adequately captured by using a limited number of focal sources.
Here, we describe a procedure that employs individual anatomical MRI data to establish a relationship between the sensor information and the dipole activation on the cortex through the use of minimum-norm estimates (MNE). This inverse imaging approach provides us a tool for distributed source analysis. For illustrative purposes, we will describe all procedures using FreeSurfer and MNE software, both freely available. We will summarize the MRI sequences and analysis steps required to produce a forward model that enables us to relate the expected field pattern caused by the dipoles distributed on the cortex onto the M/EEG sensors. Next, we will step through the necessary processes that facilitate us in denoising the sensor data from environmental and physiological contaminants. We will then outline the procedure for combining and mapping MEG/EEG sensor data onto the cortical space, thereby producing a family of time-series of cortical dipole activation on the brain surface (or "brain movies") related to each experimental condition. Finally, we will highlight a few statistical techniques that enable us to make scientific inference across a subject population (i.e., perform group-level analysis) based on a common cortical coordinate space.

We use magneto- and electroencephalography (MEG/EEG), combined with anatomical information captured by magnetic resonance imaging (MRI), to map the dynamics of the cortical network associated with auditory attention.

同時MEG / EEGおよび解剖学的に制約のある最小ノルム推定値を使用してマッピング皮質ダイナミクス：聴覚注意の例

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the ...

Drosophila Adult Olfactory Shock Learning

Drosophila have been used in classical conditioning experiments for over 40 years, thus greatly facilitating our understanding of memory, including the elucidation of the molecular mechanisms involved in cognitive diseases1-7. Learning and memory can be assayed in larvae to study the effect of neurodevelopmental genes8-10 and in flies to measure the contribution of adult plasticity genes1-7. Furthermore, the short lifespan of Drosophila facilitates the analysis of genes mediating age-related memory impairment5,11-13. The availability of many inducible promoters that subdivide the Drosophila nervous system makes it possible to determine when and where a gene of interest is required for normal memory as well as relay of different aspects of the reinforcement signal3,4,14,16.
Studying memory in adult Drosophila allows for a detailed analysis of the behavior and circuitry involved and a measurement of long-term memory15-17. The length of the adult stage accommodates longer-term genetic, behavioral, dietary and pharmacological manipulations of memory, in addition to determining the effect of aging and neurodegenerative disease on memory3-6,11-13,15-21.
Classical conditioning is induced by the simultaneous presentation of a neutral odor cue (conditioned stimulus, CS+) and a reinforcement stimulus, e.g., an electric shock or sucrose, (unconditioned stimulus, US), that become associated with one another by the animal1,16. A second conditioned stimulus (CS-) is subsequently presented without the US. During the testing phase, Drosophila are simultaneously presented with CS+ and CS- odors. After the Drosophila are provided time to choose between the odors, the distribution of the animals is recorded. This procedure allows associative aversive or appetitive conditioning to be reliably measured without a bias introduced by the innate preference for either of the conditioned stimuli. Various control experiments are also performed to test whether all genotypes respond normally to odor and reinforcement alone.

Drosophila Adult Olfactory Shock Learning

The method to measure adult Drosophila associative memory is described. The assay is based on the ability of the fly to associate an odor presented with a negative reinforcer (electric shock) and then recall this information at a later time, allowing memory to be measured.

ショウジョウバエアダルト嗅覚ショックラーニング

Drosophila have been used in classical conditioning experiments for over 40 years, thus greatly facilitating our understanding of memory, including the ...

Whole Mount Immunolabeling of Olfactory Receptor Neurons in the Drosophila Antenna

Odorant molecules bind to their target receptors in a precise and coordinated manner. Each receptor recognizes a specific signal and relays this information to the brain. As such, determining how olfactory information is transferred to the brain, modifying both perception and behavior, merits investigation. Interestingly, there is emerging evidence that cellular transduction and transcriptional factors are involved in the diversification of olfactory receptor neuron. Here we provide a robust whole mount immunological labeling method to assay in vivo olfactory receptor neuron organization. Using this method, we identified all olfactory receptor neurons with anti-ELAV antibody, a known pan-neural marker and Or49a-mCD8::GFP, an olfactory receptor neuron specifically expressed in Nba neuron using anti-GFP antibody.

Whole Mount Immunolabeling of Olfactory Receptor Neurons in the Drosophila Antenna

Herein we describe the process of whole mount immunostaining of Drosophila antennae, which enables us to better understand the molecular mechanisms involved in the diversification of olfactory receptor neurons (ORN)s.

における嗅覚受容ニューロンのホールマウント免疫標識<em&gt;ショウジョウバエ</em&gt;アンテナ

Odorant molecules bind to their target receptors in a precise and coordinated manner. Each receptor recognizes a specific signal and relays this ...

Electrophysiological Method for Recording Intracellular Voltage Responses of Drosophila Photoreceptors and Interneurons to Light Stimuli In Vivo

Voltage responses of insect photoreceptors and visual interneurons can be accurately recorded with conventional sharp microelectrodes. The method described here enables the investigator to measure long-lasting (from minutes to hours) high-quality intracellular responses from single Drosophila R1-R6 photoreceptors and Large Monopolar Cells (LMCs) to light stimuli. Because the recording system has low noise, it can be used to study variability among individual cells in the fly eye, and how their outputs reflect the physical properties of the visual environment. We outline all key steps in performing this technique. The basic steps in constructing an appropriate electrophysiology set-up for recording, such as design and selection of the experimental equipment are described. We also explain how to prepare for recording by making appropriate (sharp) recording and (blunt) reference electrodes. Details are given on how to fix an intact fly in a bespoke fly-holder, prepare a small window in its eye and insert a recording electrode through this hole with minimal damage. We explain how to localize the center of a cell's receptive field, dark- or light-adapt the studied cell, and to record its voltage responses to dynamic light stimuli. Finally, we describe the criteria for stable normal recordings, show characteristic high-quality voltage responses of individual cells to different light stimuli, and briefly define how to quantify their signaling performance. Many aspects of the method are technically challenging and require practice and patience to master. But once learned and optimized for the investigator's experimental objectives, it grants outstanding in vivo neurophysiological data.

Electrophysiological Method for Recording Intracellular Voltage Responses of Drosophila Photoreceptors and Interneurons to Light Stimuli In Vivo

Sharp microelectrodes enable accurate electrophysiological characterization of photoreceptor and visual interneuron output in living Drosophila. Here we show how to use this method to record high-quality voltage responses of individual cells to controlled light stimulation. This method is ideal for studying neural information processing in insect compound eyes.