Chapter 4: Learning about systematic risk in the housing

Los mapas conspicuos (CMs) se obtienen a través de una función de centro y periferia7

, la cual se aplica a los mapas visuales con el fin de simular una serie de campos receptivos del centro y periferia en el ojo humano. La idea sigue la estructura natural la cual permite a las células ganglionares medir la diferencia entre las tasas de disparo en el centro y su periferia. En el caso de la visión artificial, primeramente se crea una pirámide de nueve escalas para cada uno de los mapas visuales resultantes. Posteriormente, se lleva a cabo una sustracción a través de las escalas, resultando en un mapa conocido como centro y periferia, de tal manera que el valor del pixel crece tanto como se aumenta el contraste entre los vecinos en sus diferentes escalas. Finalmente, los mapas se suman para lograr obtener los mapas conspicuos deseados. El sub-proceso se muestra en el Algoritmo1. Hasta esta etapa, podemos decir que se obtienen cuatro CMs correspondientes a uno por cada característica. En nuestra implementación los CMs se obtienen de forma similar al modelo propuesto por Walther y Koch (Walther y Koch, 2006); ver Figura 15.

7

Color Conspicuity Orientation Conspicuity Shape Conspicuity Intensity Conspicuity

Map (CMC) Map (C MO) Map (CMS) Map (CMInt)

Figura 15_: Proceso para la obtención de los mapas conspicuos. Este proceso se inspira en el

proceso de una serie de campos receptivos del centro y periferia en el ojo humano. En el ojo humano existen células que responden a los cambios de contraste en el centro y su periferia, o

alrededor de ella. El resultado es un mapa conspicuo.

3.1.3 Integración de características evolucionadas (EFI) El objetivo del proceso de combinación de características EFI8

es fusionar los mapas con- spicuos (CMs) en un mapa de prominencia (SM9

) el cual se define de manera simple. Este proceso resalta un conjunto de ubicaciones en la imagen resultando en una serie de regiones prominentes en la imagen. Anatómicamente la ubicación del mapa de prominencia en el cerebro se desconoce (Dozalet al., 2014).

Además dentro de la comunidad de las neurociencias podemos decir que una clara de- scripción de cómo el cerebro hace tal integración es aún un sujeto de discusión. En este sentido, se ha propuesto como hipótesis que el SM puede residir en el núcleo lateral genic- ulado (LGN), o en la corteza estriada (V1) (Koch y Ullman, 1985). Además, existen otras teorías donde se propone la ubicación de este proceso en diversas regiones del cerebro sin llegar a un descubrimiento definitivo.

La combinación de características es un proceso complicado puesto que los CMs son parte de las distintas y no relacionadas modalidades visuales trabajando al mismo nivel sensorial. Así, el criterio que guía la búsqueda hacia la combinación de características más adecuada debería de ser definida de acuerdo al proceso inmediato. Por lo tanto, la integración de los CMs se completa por un operador de integración de características como sigue:

8

Del inglés: Evolved Feature Integration.

9

V OM M2(CMO)

V OM M1(CMC) V OM M3(CMS)

V OM M k(CMInt)

Figura 16_: Proceso de integración de características (EFI).

EF I :CMd→SM ∀d∈ {O, C, Int, S} (7)

En este caso el resultado para la integración de características es también producto de un proceso evolutivo. Nuevamente se obtienen operadores que combinan los mapas conspicuos de manera que se obtengan regiones prominentes. Comúnmente el SM es resultado del promedio de los mapas conspicuos. Una vez que se alcanza el resultado del proceso para la integración de características, se continúa con la selección del punto máximo el cual se asocia al pixel más prominente y que se conoce como el resultado del mapa de prominencia (SM). De esta forma se define una región alrededor de dicho pixel y que es conocida como proto-objeto, la cual indica la ubicación de la región más prominente y es acorde al lugar donde se encuentra el objeto buscado; la resolución de la imagen de salida coincide con el tamaño original de entrada del algoritmo, por lo que después de detectar la región de atención se realiza un escalamiento; ver Figura16.

3.2 Discusión

La ruta dorsal artificial es sin duda un proceso novedoso inspirado en el estudio de la corteza visual. Dicho proceso discrimina la información de entrada y genera la información de salida

acorde al objeto de interés; es decir, el programa deberá arrojar la región específica donde se encuentra el objeto a detectar independientemente del ambiente en que se encuentre con un alto grado de confianza. Este trabajo sostiene que a través del proceso evolutivo descrito en el próximo capítulo y en conjunción con las características propias de la ruta dorsal se puede establecer un mecanismo que simule la atención visual, dicho proceso fue llamado programación cerebral. Creemos que el procesamiento de información visual está basado a través de un proceso evolutivo, por lo que en la siguiente sección se propone cómo llevar a cabo dicho proceso para su culminación. La idea principal de nuestro trabajo parte de explicaciones relacionadas a la evolución de los sistemas de visión natural, como es el caso del sistema visual humano, y cómo esto podría llevarse a cabo para evolucionar el procesamiento de información visual en un sistema artificial. De esta forma a continuación describiremos un algoritmo evolutivo el cual permite optimizar la estructura computacional de una ruta dorsal artificial.

Capítulo 4. Programación cerebral

En esta sección se describen los principales pasos para implementar la programación cere- bral, una nueva técnica evolutiva, con el objetivo de diseñar redes dorsales artificiales para problemas de atención visual. Así, la programación cerebral es una estrategia bioinspirada en donde los mayores cambios con respecto a los algoritmos genéticos es el hecho de que las posibles soluciones o individuos no pueden ser definidos por un solo arreglo de árboles, sino a partir de estructuras complejas compuestas de diversos árboles y otros varios procesos predefinidos. La programación cerebral exhibe la habilidad de crear programas novedosos de atención visual especialmente diseñados para una tarea en particular y que alcancen una detección de falsos negativos más baja si los comparamos con los diseñados por expertos.