[논문 리뷰] Biologically Inspired Dynamic Textures for Probing Motion Perception

Jonathan Vacher, Andrew Isaac Meso외 2명|arXiv (Cornell University)|2015. 11. 09.

Visual perception and processing mechanisms참고 문헌 18인용 수 6

한 줄 요약

이 논문은 확률적 편미분방정식(sPDE)을 기반으로 한 생물학적으로 영감을 받은 생성 모델인 동적 텍스처인 '모션 클라우드(Motion Clouds)'를 제안한다. 이 모델은 변형된 시간적 조절 패턴을 통해 정적 가우시안 랜덤 필드를 생성한다. 이 모델은 운동 인지에 대한 원칙적인 베이지안 추론 프레임워크를 가능하게 하며, 최대우도추정(MLE)을 통한 최적의 속도 추정이 인간의 인지적 편향을 설명하지 못함을 드러낸다. 이에 따라 인간의 인지적 편향을 설명하기 위해서는 비감소하는 분산을 가진 학습된 사전분포가 필요하며, 이는 기존의 추론 모델에 도전하는 바이다.

ABSTRACT

Perception is often described as a predictive process based on an optimal inference with respect to a generative model. We study here the principled construction of a generative model specifically crafted to probe motion perception. In that context, we first provide an axiomatic, biologically-driven derivation of the model. This model synthesizes random dynamic textures which are defined by stationary Gaussian distributions obtained by the random aggregation of warped patterns. Importantly, we show that this model can equivalently be described as a stochastic partial differential equation. Using this characterization of motion in images, it allows us to recast motion-energy models into a principled Bayesian inference framework. Finally, we apply these textures in order to psychophysically probe speed perception in humans. In this framework, while the likelihood is derived from the generative model, the prior is estimated from the observed results and accounts for the perceptual bias in a principled fashion.

연구 동기 및 목표

• 운동 인지와 신경 처리 원리에서 유도된 생물학적으로 타당하고 공리기반의 동적 텍스처 생성 모델을 개발하기 위해.
• 확률적 편미분방정식(sPDE)에서 유도된 생성 모델을 기반으로 운동 인지를 베이지안 추론 문제로 체계화하기 위해.
• 최대우도추정(MLE)을 통한 최적의 속도 추정이 인간 심리물리적 데이터, 특히 속도 식별에서의 인지적 편향을 정확히 예측하는지 테스트하기 위해.
• 실험 데이터로부터 인지 사전분포를 추정하고, 이가 최적의 추론 모델과 일치하지 않는다는 것을 보여주기 위해.
• 기존 운동 인지 모델에서 가우시안 가정을 위반하는 경험적 심리물리적 결과를 더 잘 설명할 수 있도록 생성 모델을 개선하기 위해.

제안 방법

• 운동의 움직임을 유도하는 '텍스트론(textons)'의 동적 변형을 통합한 모델을 공리적으로 유도함으로써 생물학적 타당성과 매개변수의 해석 가능성을 확보한다.
• 빛의 강도 보존이 색깔이 도시된 노이즈에 의해 교란되는 sPDE로 모델을 표현하며, 속도 필드는 평균 속도와 방향을 갖는 분포에서 추출된다.
• sPDE를 움직임 에너지 유사한 가능도 함수로 변환하기 위해 화이트닝 필터를 사용함으로써 고전적 운동 에너지 모델과 직접 비교할 수 있도록 한다.
• 심리물리적 실험을 위해 제어된 매개변수 변화 조건에서 자극을 생성하기 위해 모델을 적용한다.
• 가우시안 가능도를 가정한 채널에서 자극으로부터 속도의 최대우도추정(MLE)으로 내부 관측자 표현을 추정한다.
• 기울기와 분산 매개변수를 추정하여 인간 데이터로부터 인지 사전분포를 피팅함으로써, MLE 예측과는 정반대인 비감소하는 표준편차를 드러낸다.

실험 결과

연구 질문

• RQ1 운동 인지와 신경 처리 원리에서 유도된 생물학적으로 영감을 받은 동적 텍스처 모델을 공리적으로 유도할 수 있는가?
• RQ2 최대우도추정(MLE) 기반의 최적 속도 추정기구가 동적 텍스처 자극에서 인간의 속도 인지를 정확히 예측할 수 있는가?
• RQ3 인간 심리물리적 데이터로부터 유도된 인지 사전분포는 생성 모델에서 유도된 가능도 함수와 어떻게 비교되는가?
• RQ4 왜 인간 관측자가 최적 추론 모델의 예측과 정반대되는 속도 식별의 인지적 편향을 보이는가?
• RQ5 속도 추정의 변동성을 고려한 비균일한 사전분포를 학습함으로써 MLE와 인간 인지 간의 괴리를 해결할 수 있는가?

주요 결과

• 생성 모델에서 유도된 MLE 기반 내부 속도 표현은 평균이 진짜 속도에 가까운 약간의 가우시안 분포를 가지며, 공간 주파수가 증가함에 따라 분산이 감소한다.
• MLE 추정기의 표준편차는 공간 주파수가 증가함에 따라 감소하지만, 관측된 인간의 인지적 편향은 비감소하는 변동성을 보이므로 이와 정반대이다.
• 인간 데이터로부터 추정된 인지 사전분포는 공간 주파수 전역에서 비감소하는 표준편차를 가지며, 관측자가 최적 추론에 의존하지 않고 학습된 비균일한 사전분포에 의존한다는 것을 시사한다.
• 피팅된 사전분포의 기울기 및 분산 매개변수는 인지 사전분포가 가능도만으로는 설명될 수 없음을 보여주며, 정확한 모델링을 위해서는 별도로 경험적으로 추정된 사전분포가 필요하다.
• 이 모델은 최적의 베이지안 추론(MLE)과 인간의 속도 인지 사이에 근본적인 불일치를 드러내며, 뇌가 최적의 가능도를 사용하는 것이 아니라 인지적으로 학습된 사전분포에 의존할 수 있음을 시사한다.