[論文レビュー] Biologically Inspired Dynamic Textures for Probing Motion Perception

Jonathan Vacher, Andrew Isaac Meso+2 more|arXiv (Cornell University)|Nov 9, 2015

Visual perception and processing mechanisms参考文献 18被引用数 6

ひとこと要約

本稿では、確率的偏微分方程式（sPDE）に基づき、歪められた時系列的パターンを介して定常ガウス確率場を合成する、生物学的にインスパイアされた生成モデルである「モーションクラウド」を提案する。このモデルにより、運動知覚のための原理的ベイズ推論フレームワークが可能となり、最大尤度推定（MLE）による最適な速度推定が人間の知覚的バイアスを説明できないことが明らかになった。代わりに、非減少の分散を持つ学習済み事前分布が必要であり、これは標準的な推論モデルに挑戦するものである。

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.

研究の動機と目的

• 運動知覚と神経処理の原則に基づき、生物学的に妥当で公理的原則に裏付けられた動的テクスチャの生成モデルを開発すること。
• 確率的偏微分方程式（sPDE）から導かれる生成モデルを用いて、運動知覚をベイズ推論問題として形式化すること。
• 最大尤度推定（MLE）による最適な速度推定が、人間の心理物理学的データ、特に速度識別における知覚的バイアスを正確に予測するかを検証すること。
• 実験データから知覚的事前分布を推定し、それが最適推論モデルと整合しないことを示すこと。
• 標準的な運動知覚モデルでガウス仮定に違反する実験的心理物理学的結果をよりよく説明できるように、生成モデルを精緻化すること。

提案手法

• 動的変形された「テクストン」としてのショットノイズの集積として、生物学的妥当性とパラメータの解釈可能性を保証する形で、モーションクラウドモデルを公理的に導出する。
• 輝度保存が色付きノイズによって摂動される確率的偏微分方程式（sPDE）としてモデルを表現し、速度場は平均速度と方向を持つ分布から抽出される。
• 白化フィルタを用いてsPDEを運動エネルギーに類似した尤度関数に変換し、古典的な運動エネルギーモデルと直接比較可能にする。
• 心理物理学的実験用の刺激を生成するために、モデルを用い、パrametricな変化を制御した条件下で人間の速度知覚を調べる。
• ガウス尤度を仮定して、刺激からの速度の最大尤度推定（MLE）として内部観測者表現を推定する。
• 実験データに適合するように、傾きと分散のパラメータを推定することで知覚的事前分布を推定し、MLE予測とは対照的に非減少の標準偏差が明らかになった。

実験結果

リサーチクエスチョン

• RQ1 運動知覚と神経処理の原則に基づき、生物学的にインスパイドされた動的テクスチャモデルを公理的に導出可能か？
• RQ2 最大尤度推定（MLE）に基づく最適な速度推定器は、動的テクスチャ刺激における人間の速度知覚を正確に予測できるか？
• RQ3 人間の心理物理学的データから推定された知覚的事前分布は、生成モデルから導かれた尤度関数とどのように異なるか？
• RQ4 なぜ人間の被験者は最適推論モデルの予測と矛盾する速度識別における知覚的バイアスを示すのか？
• RQ5 速度推定のばらつきを考慮する非一様事前分布を学習することで、MLEと人間の知覚の乖離を解消できるか？

主な発見

• 生成モデルから導かれたMLEベースの速度内部表現は、真の速度に近い平均値を有する近似的なガウス分布であり、空間周波数が高くなるほど分散が小さくなる。
• MLE推定器の標準偏差は空間周波数が高くなるほど減少するが、これは観察された人間の知覚的バイアス（非減少のばらつき）と矛盾する。
• 人間データから推定された知覚的事前分布は、空間周波数全域で非減少の標準偏差を示しており、被験者が最適推論に依存しているのではなく、学習済みの非一様事前分布に依存していることを示唆する。
• 適合された事前分布の傾きと分散パラメータは、尤度関数だけでは説明できないことを示しており、正確なモデル化には別個の経験的推定事前分布が必要である。
• このモデルは、最適ベイズ推論（MLE）と人間の速度知覚の間に根本的な不一致があることを明らかにし、脳が最適尤度に依存しているのではなく、知覚的に学習された事前分布に依存している可能性を示唆する。