Perception of shapes from motion
Bayesian combination of optic flow and self-motion
Perception des objets en mouvement
Composition bayésienne du flux optique et du mouvement de l'observateur
Résumé
Perception can be seen as collecting and confronting various pieces of information in order to understand the environment. One uses many semsory modalities each one consisting of many kind of information. One of these is the optic flow, the displacement of the projected image on the retina.
Optic flow allows for the extraction of part of the geometry of the observed scene. However, it is a very complex problem due to its inverse, ill-posed and uncertain nature.
These issues can be dealt with using the Bayesian programming formalism. It is based on the probabilities, to handle uncertainty and the ill-posed problem, and on Bayes rule, to solve the inversion.
We propose a Bayesian model of the perception of planes from optic flow based on few explicit assumptions. These assumptions are mainly the rigidity, which assumes the observation of a rigid plane is more probable than of a collection of independently-moving points, and the stationarity, which assumes the motion of the plane is more probably small.
We validate our model using five experiments from the literature. For each one, we explain in details the inner workings of our model and the assumptions conditionning a good reproduction of the experimental results. Finally, we show how to adapt our model to an experiment of perception of a corrgated surface by optic flow. We also present a Bayesian model to generate the input of our perception model and generalise the integration of our model into a more complete system.
Optic flow allows for the extraction of part of the geometry of the observed scene. However, it is a very complex problem due to its inverse, ill-posed and uncertain nature.
These issues can be dealt with using the Bayesian programming formalism. It is based on the probabilities, to handle uncertainty and the ill-posed problem, and on Bayes rule, to solve the inversion.
We propose a Bayesian model of the perception of planes from optic flow based on few explicit assumptions. These assumptions are mainly the rigidity, which assumes the observation of a rigid plane is more probable than of a collection of independently-moving points, and the stationarity, which assumes the motion of the plane is more probably small.
We validate our model using five experiments from the literature. For each one, we explain in details the inner workings of our model and the assumptions conditionning a good reproduction of the experimental results. Finally, we show how to adapt our model to an experiment of perception of a corrgated surface by optic flow. We also present a Bayesian model to generate the input of our perception model and generalise the integration of our model into a more complete system.
La perception est le regroupement d'informations en vue de comprendre son environnement. Pour cela, l'homme utilise plusieurs modalités sensorielles consistuées de plusieurs types d'information. L'une d'entre elles est le flux optique, le déplacement de l'image sur la rétine.
Le flux optique permet de recouvrer une partie de la géometrie de la scène observée, mais il s'agit d'un problème très complexe car inverse, mal-posé et incertain.
Ces difficultés peuvent être surmontées à l'aide du formalisme de la programmation bayésienne qui s'appuie sur l'usage des probabilités, pour manipuler l'incertitude et le caractère mal-posé, et de la règle de Bayes pour résoudre l'inversion.
Nous proposons un modèle bayésien de la perception de plans par le flux optique basé sur quelques hypothèses explicites. Ces hypothèses sont principalement la rigidité, qui considère que l'on observe plus probablement un plan rigide qu'une collection de points de mouvements indépendants et la sationnarité, qui suppose que le mouvement du plan est plus probablement petit.
Nous validons notre modèle en nous basant sur cinq expériences issues de la littérature. Pour chacune d'elles, nous expliquons les détails du fonctionnement du modèle et les hypothèses qui conditionnent la bonne reproduction des résultats. Enfin, nous montrons d'une part comment intégrer notre modele au sein de systèmes plus complexes et, d'autre part, l'applicabilité du modèle bayésien à des expériences de perception du flux optique différentes de part leurs protocoles, mais similaires dans leurs ambiguités.
Le flux optique permet de recouvrer une partie de la géometrie de la scène observée, mais il s'agit d'un problème très complexe car inverse, mal-posé et incertain.
Ces difficultés peuvent être surmontées à l'aide du formalisme de la programmation bayésienne qui s'appuie sur l'usage des probabilités, pour manipuler l'incertitude et le caractère mal-posé, et de la règle de Bayes pour résoudre l'inversion.
Nous proposons un modèle bayésien de la perception de plans par le flux optique basé sur quelques hypothèses explicites. Ces hypothèses sont principalement la rigidité, qui considère que l'on observe plus probablement un plan rigide qu'une collection de points de mouvements indépendants et la sationnarité, qui suppose que le mouvement du plan est plus probablement petit.
Nous validons notre modèle en nous basant sur cinq expériences issues de la littérature. Pour chacune d'elles, nous expliquons les détails du fonctionnement du modèle et les hypothèses qui conditionnent la bonne reproduction des résultats. Enfin, nous montrons d'une part comment intégrer notre modele au sein de systèmes plus complexes et, d'autre part, l'applicabilité du modèle bayésien à des expériences de perception du flux optique différentes de part leurs protocoles, mais similaires dans leurs ambiguités.
Loading...