Оценка кривизны изображений в присутствии дистракторов

Бондарко В.М., Солнушкин С.Д., Чихман В.Н.

Ссылка для цитирования:

Бондарко В.М., Солнушкин С.Д., Чихман В.Н. Оценка кривизны изображений в присутствии дистракторов // Оптический журнал. 2024. Т. 91. № 10. С. 94–105. http://doi.org/10.17586/1023-5086-2024-91-10-94-105

Bondarko V.M., Solnushkin S.D., Chikhman V.N. Image curvature assessment in the presence of distractors [in Russian] // Opticheskii Zhurnal. 2024. V. 91. № 10. P. 94–105. http://doi.org/10.17586/1023-5086-2024-91-10-94-105

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Исследовали механизмы восприятия кривизны изображений в присутствии дополнительных изображений, так называемых дистракторов. Цель работы заключается в описании и рассмотрении механизмов восприятия кривизны изображений. Методы. Проведён ряд психофизических экспериментов, выполнен анализ изображений и осуществлено сравнение полученных данных с результатами исследования восприятия других изображений. Основные результаты. Получены оценки кривизны для реальных и интерполированных изображений. Выявлены искажения (иллюзии) в восприятии кривизны изображений при наличии дистракторов. Прямые линии воспринимаются изогнутыми, ошибочны оценки и для других стимулов. Иллюзии проявляются сильнее для интерполированных изображений. Полученные данные согласованы с иллюзией наклона, возникающей вследствие взаимодействия между пространственночастотными каналами. Можно предположить, что выявленные иллюзии кривизны изображений также могут быть объяснены этим взаимодействием. Но сопоставление с восприятием кривизны других изображений ставит вопрос о неоднозначности механизмов оценки кривизны, зависимости их от формы изображений и окружения. Практическая значимость. Полученные результаты могут быть реализованы в искусственных нейронных сетях, служащих для распознавания лиц и других близких к использованным в исследовании изображениям, поскольку при первичной обработке объектов в таких сетях часто осуществляется фильтрация, подобная фильтрации рецептивными полями зрительной коры.

Ключевые слова:

кривизна, оптические иллюзии, иллюзия наклона, взаимодействие между пространственно-частотными каналами

Благодарность:

работа поддержана средствами федерального бюджета в рамках государственного задания ФГБУН Институт физиологии им. И.П. Павлова РАН (№ 1021062411653-4-3.1.8)

Коды OCIS: 330.7326, 330.4060, 330.5510

Список источников:

1. Baker N., Elder J.H. Deep learning models fail to capture the configural nature of human shape perception // Iscience. 2022. V. 25(9). P. 1–17. https://doi.org/10.1016/j.isci.2022.104913
2. He W., Jiang Z., Zhang C. et al. CurvaNet: Geometric deep learning based on directional curvature for 3D shape analysis // Proc. 26th ACM SIGKDD Int. Conf. Knowledge Discovery. 2020. P. 2214–2224. https://doi.org/10.1145/3394486.3403272
3. Srinivas S., Matoba K., Lakkaraju H. et al. Efficient training of low-curvature neural networks // Advances in Neural Information Processing Systems. 2022. V. 35. P. 25951–25964.
4. Tavana P., Akraminia M., Koochari A. et al. Classification of spinal curvature types using radiography images: deep learning versus classical methods // Artificial Intelligence Review. 2023. P. 1–33. https://doi.org/10.1007/s10462-023-10480-w
5. Attneave F. Some informational aspects of visual perception // Psychol. Rev. 1954. V. 61. P. 183–197. https://psycnet.apa.org/doi/10.1037/h0054663
6. Wilson H.R. Discrimination of contour curvature: data and theory // J. Opt. Soc. Am. 1985. V. 2. P. 1191–1199. https://doi.org/10.1364/JOSAA.2. 001191
7. Wilson H.R., Richards W.A. Mechanisms of contour curvature discrimination // J. Opt. Soc. Am. 1989. V. 6. P. 106–115. https://doi.org/10.1364/JOSAA.6.000106
8. Habak C., Wilkinson F., Zakher B., Wilson H.R. Curvature population coding for complex shapes in human vision // Vision Res. 2004. V. 44. P. 2815–2826. https://doi.org/10.1016/j.visres.2004.06.019
9. Foster D.H., Simmons D.R., Cook M.J. The cue for contour curvature discrimination // Vision Res. 1993. V. 33. P. 329–338. https://doi.org/10.1016/0042-6989(93)90089-F

10. Kramer D., Fahle M. A simple mechanism for detecting low curvatures // Vision Res. 1996. V. 36. P. 1411–1423. https://doi.org/10.1016/0042-6989(95)00340-1
11. Ninio J. Geometrical illusions are not always where you think they are: a review of some classical and less classical illusions, and ways to describe them // Frontiers in human neuroscience. 2014. V. 8. A. 856. P. 1–21. https://doi.org/10.3389/fnhum.2014.00856
12. Sweeny T.D., Grabowecky M., Kim Y.J. et al. Internal curvature signal and noise in low-and high-level vision // J. Neurophysiology. 2011. V. 105(3). P. 1236–1257. https://doi.org/10.1152/jn.00061.2010
13. Wang S.M., Liao C.L., Ni Y.Q. A machine vision system based on driving recorder for automatic inspection of rail curvature // IEEE Sensors J. 2021. V. 21(10) P. 11291–11300.
14. Choudhury S.D., Bhattacharyya A. Generalised curvature estimation using geometric measure theory with a feature detection application in computer vision // Multimed. Tools&Appl. 2024. P. 25415–25434. https://doi.org/10.1007/s11042-023-16408-4
15. Nisar I. Curvature сoding in рuman vision: A classical review across psychophysics, neurophysiology and computer vision. What’s missing? // Proc. IEEE. 2023. P. 1–13. https://doi.org/ 10.20944/preprints202310.0349.v2
16. Chellappa R., Wilson C.L., Sirohey S. Human and machine recognition of faces: A survey // Proc. IEEE. 1995. V. 83(5). P. 705–741. DOI: 10.1109/5.381842
17. Бондарко В.М., Чихман В.Н. Искажение формы изображений в оптических иллюзиях // Оптический журнал. 2023. Т. 90. № 10. С. 67–79. http://doi.org/10.17586/1023-5086-2023-90-10-67-79
Bondarko V.M., Chikhman V.N. Shape deformation in optical illusions // Journal of Optical Technol ogy. 2023. V. 90. P. 601–608. https://doi.org/10.1364/ JOT.90.000601
18. Gibson J.J., Radner M. Adaptation, after-effect and contrast in the perception of tilted lines // J. Exp. Psychology. 1937. V. 20. P. 453–467.
19. O’Toole B., Wenderoth P. The tilt illusion: Repulsion and attraction effects in the oblique meridian // Vision Res. 1977. V. 17. P. 367–374. https://doi.org/10.1016/0042-6989(77)90025-6
20. Бондарко В.М., Солнушкин С.Д., Чихман В.Н. Зрительные иллюзии и восприятие классической архитектуры // Эксп. псих. 2023. Т. 16. № 3. C. 68–85. https://doi.org/10.17759/exppsy.2020130
Bondarko V.M., Solnushkin S.D., Chikhman V.N. Visual illusion and perception of classical architecture [In Russian] // Eksperimental’naya psikhologiya =Experimental psychology (Russia). 2023. V. 16(3). Р. 68–85. https:// doi.org/10.17759/exppsy.2020130
21. Бондарко В.М. Иллюзия наклона и ориентационная чувствительность // Физиология человека. 2020. Т. 46. № 3. С. 90–98. https://doi.org/10.31857/S0131164620020034
Bondarko V.M. The tilt illusion and orientation sensitivity // Human Physiology. 2020. V. 46. P. 312–320. https://doi.org/10.1134/S0362119720020036
22. Blakemore C., Carpenter R.H.S., Georgeson M.A. Lateral inhibition between orientation detectors in the human visual system // Nature. 1970. V. 228. № 5266. P. 37–39. https://doi.org/10.1038/228037a0
23. Carpenter R.H.S., Blakemore C. Interaction between orientation in human vision // Exp. Brain Res. 1973. V. 18. P. 287–303. https://doi.org/10.1007/BF00234599
24. Dobbins A., Zucker S.W., Cynader M.S. Endstopping and curvature // Vision Res. 1989. V. 29. P. 1371–1385. https://doi.org/10.1016/0042-6989(89)90193-4
25. Глезер В.Д. Зрение и мышление. СПб.: Наука, 1993. 285 с.
Glezer V.D. Vision and thinking [in Russian]. St. Petersburg: Nauka, 1993. 285 p.
26. Schmidtmann G., Ouhnana M., Loffler G. et al. Imagining circles — empirical data and a perceptual model for the arc-size illusion // Vision Res. 2016. V. 121. P. 50–56. https://doi.org/10.1016/j.visres.2015.12.003
27. Matsushita S., Morikawa K., Mitsuzane S. et al. Eye shape illusions induced by eyebrow positions // Perception. 2015. V. 44(5). P. 529–540. https://doi.org/10.1068/p7823
28. Барабанщиков В.А., Маринова М.М. Deepfake как основа цифрового коллажирования «невозможного лица» // Оптический журнал. 2022. Т. 89. № 8. С. 24–32. https://doi.org/10.17586/1023-5086-2022-89-08-24-32
Barabanshchikov V.A., Marinova M.M. Deepfake as the basis for digitally collaging “impossible faces” // Journal of Optical Technology. 2022. V. 89(8). P. 448–453. https://doi.org/10.1364/JOT.89.000448
29. Королькова О.А., Лободинская Е.А. База видеоизображений естественных эмоциональных экспрессий БЕВЭЛ: восприятие эмоций и автоматизированный анализ мимики лица // Оптический журнал. 2022. Т. 89. № 8. С. 97–103. https://doi.org/10.17586/1023-5086-2022-89-08-97-103
Korolkova O.A., Lobodinskaya E.A. Database of video images of natural emotional facial expressions: perception of emotions and automated analysis of facial structure // Journal of Optical Technology. 2022. V. 89(8). P. 498–501. https://doi.org/10.1364/JOT.89. 000498
30. Малахова Е.Ю. Представление категорий посредством прототипов согласованной активности нейронов в свёрточных нейронных сетях // Оптический журнал. 2021. Т. 88. № 12. C. 36–41. https://doi. org/10.17586/1023-5086-2021-88-12-36-41
Malakhova E.Yu. Representation of categories through prototypes formed based on coordinated activity of units in convolutional neural networks // Journal of Optical Technology. 2021. V. 88(12). P. 706–709. https://doi.org/10.1364/JOT.88.000706
31. Явна Д.В., Бабенко В.В., Горбенкова О.А. и др. Категоризация объектов и сцен нейронной сетью, входы которой предварительно обучены декодированию пространственных неоднородностей текстуры // Оптический журнал. 2023. Т. 90. № 1. С. 37–48. https:// doi.org/10.17586/1023-5086-2023-90-01-37-48
Yavna D.V., Babenko V.V., Gorbenkova O.A. et al. Classification of objects and scenes by a neural network with pretrained input modules to decode spatial texture inhomogeneities // Journal of Optical Technology. 2023. V. 90. № 1. P. 20–25. https://doi.org/10.1364/ JOT.90.000020
32. Ермаченкова М.К., Малашин Р.О., Бойко А.А. Обучение нейронных сетей для классификации тепловизионных изображений на основе изображений видимого спектра // Оптический журнал. 2023. Т. 90. № 10. С. 48–66. http://doi.org/10.17586/1023-5086-2023-90-10-48-66
Ermachenkova M.K., Malashin R.O., Bojko A.A. Neural network training for thermal image classification based on visible spectrum images // Journal of Optical Technology. 2023. V. 90. № 10. P. 590–600. https:// doi.org/10.1364/JOT.90.000590
33. Yuille A., Liu C. Deep nets: What have they ever done for vision? // Int. J. Computer Vision. 2021. V. 129. P. 781–798. https://doi.org/10.1007/s11263-020-01405-z