53
Allgemeine Psychologie 1 (Fach) / allg. 1 UDS (Lektion)
- Der algorithmische Ansatz von Marr Ebenen der Problemdefinition: „computational theory“: Formulierung des Wahrnehmungsproblems – wie erkennt das Wahrnehmungssystem Körper aus Bewegungsmustern? Repräsentation und Algorithmus: Wie kann das Ziel in ein Programm umgesetzt werden? / Wie kann das Problem algorithmisch, also vom System her gelöst werden? Hardware implementation: Wie kann diese Lösungsvorschrift umgesetzt werden?Betrachten 3-dimensionaler Skizze:1. Retinales AbbildRäumliche, retinale Verteilung der verschiedenen Lichtwellen und deren Intensitäten. Ausgangspunkt der Verarbeitung.Algorithmus „zero-crossings“: Der Prozess, der Veränderung im Netzhautbild (retinales Eingangssignal) in Konturen und Kanten in der primären Rohskizze überführt. Intensitätsänderung durch zweifache Ableitung mittels Differentialrechnung: A: Gerade für Übergang von stabil geringer zu stabil höherer Intensität. B: 1. Ableitung: Maximum, wo die Steigung am größten ist, also in der Veränderung. C: 2. Ableitung: Änderungsinformation aus Kurve B; zunächst positiver Ausschlag, dann negativer. Beim Übergang von positiv zu negativ wird die x-Achse gekreuzt diese Kreuzungen der 0-Schnittpunkte sind Teil dessen, was nach Marrs Vorstellung den Übergang vom Netzhautbild zur primären Rohskizze kennzeichnen könnte.2. Primäre Rohskizze (primal sketch)Elementarmerkmale einer Szene berechnen, wie sie sich aus den Intensitätsübergängen im Netzhautbild ergeben: Konturen, Kanten, Ecken, Kantenenden, dunkle und helle Bereiche etc.3. 2,5-dimensionale SkizzeElementarmerkmale aus der primären Rohskizze werden auf dieser Verarbeitungsstufe gruppiert (wobei hier durchaus Gesetze angewendet werden, die den Gestaltgesetzen ähnlich sind). Repräsentation der Flächen und ihrer Anordnung mit grober Tiefencharakteristik, die Marr als 2,5-dimensionale Skizze bezeichnet.Nutzung der Tiefeninformationen von Schatten, Bewegung, Textur, Querdisparation. Es gibt aber noch keinen Bezug zur externen Umwelt.(Beispiel: Teile, die ich nicht sehen kann, weil sie verdeckt sind, sind noch nicht Bestandteil der Skizzen, perspektivisch noch nicht unabhängig)4. 3-dimensionale ModellrepräsentationZusammenfassung der Flächen in ihrer Anordnung zu Repräsentationen der dreidimensionalen Umweltobjekte. Objektzentrierung; Objekte werden jetzt auch unabhängig von ihrer spezifischen Position oder Orientierung auf der Netzhaut repräsentiert: Modell der real existierenden Welt. Top-down-Ergänzung dessen, was ich nicht sehe. Wahrnehmung also in aufeinanderfolgenden Verarbeitungsstufen – von Berechnungen der schemenhaften Konturen in der primären Rohskizze zu Berechnungen, die zu ausgereiften dreidimensionalen Objektrepräsentationen führen.
- Elementare Teilkörper (Biederman) Kanten-ExtraktionAnalyse von „nicht-zufälligen“ Eigenschaften Analyse von konkaven RegionenBestimmung der KomponentenVergleich der Komponenten mit ObjektrepräsentationenObjekterkennungAnalyse von nicht-zufälligen Eigenschaften: Netzhautbilder haben überzufällig oft bestimmte Kanteneigenschaften (durch Erfahrung mit dreidimensionalen Objekten) = nichtzufällige Merkmale, perspektivenunabhängig. Gerade Linien = gerader Körper, gekrümmte = gekrümmter Körper etc.)Beispiel für eine Fehlleitung durch Annahme nichtzufälliger Eigenschaften: Ames-Raum.Analyse von konkaven Regionen: Zusammentreffen zweier Linien, lässt auf Zusammentreffen zweier Teile des 3-D-Körpers schließen, verdeckte Regionen können ergänzt werden.Annahmen: Grundlegende Kategorien von Teilobjekten = Geons. Dienen wie ein Alphabet zum Aufbau von Objekten; das Erkennen eines Geons ist mit dem Erkennen eines Buchstabens vergleichbar. Das Objekt wird als dasjenige Muster erkannt, das aus diesen Teilen zusammengesetzt ist; mit dem Erkennen eines Wortes vergleichbar. Aus 36 Geons kann jedes beliebige Objekt zusammengesetzt werden.
- Objekterkennung durch die Erkennung der Komponenten des Objekts. Experiment: Aufgabe Vpn: Erkennen von Objekten in veränderten Abbildungen. uV1: entweder einige Komponenten vollständig gelöscht oder alle Komponenten vorhanden, aber Teile der Komponenten fehlen. uV2: Darbietungszeit. Entweder sehr kurz (65ms) oder länger (200ms).Ergebnis: Waren die Abbildungen nur sehr kurz zu sehen, wurden die Objekte, deren Komponenten vollständig gelöscht waren, schneller erkannt (in der kurzen Zeit nicht in der Lage, die Komponenten zu erkennen, Objekterkennung an sich schwierig). Bei längerer Zeit kehrte sich dieser Befund um: die Objekte, die alle Komponenten beinhalteten, die aber unterbrochen waren, wurden besser erkannt (mehr Komponenten zur Verfügung; mehr Information für die Objekterkennung).