Psychologie van de waarneming Isaure Tirry
DEEL 1: DE WAARNEMING
Gewaarwording = de opname van stimulatie uit de omgeving en de omzetting van deze
stimulatie in zenuwimpulsen (of elektrische signalen)
Waarneming = het kunnen identificeren van wat zich rondom jou bevindt & betekenis vinden,
interpreteren en begrijpen v deze gewaarwording
Bottom-upschool = wetenschappelijke school die het zwaartepunt van de waarneming situeert
in de registratie van de prikkels die onze zintuigen beroeren/raken
3. De bottom-up verklaring van de visuele waarneming
Bottom-up = zwaartepunt van de waarneming van prikkels via zintuigen,
= empirische (zintuigelijke waarneembare) opvatting over de waarneming
= intellectualistische opvatting van de waarneming, waarin het zwaartepunt van de waarneming
gesitueerd wordt, niet in de zintuigen, maar in de geest, en die is niet-empirisch (niet
rechtstreeks waarneembaar of meetbaar).
Waarnemen kan per definitie nooit zuiver empirisch zijn, omdat we ons soms baseren op
elementen waarvoor geen fysieke prikkels aanwezig zijn, dus een combinatie van empirische
prikkels en niet-empirische geestelijke processen.
Bv: Als we kijken naar een vaas met bloemen zien we het als een plat voorwerp. We weten echter
dat er bloemen IN zitten en niet opgeplakt zijn. = driedimensionaal > De actuele gewaarwording
wordt aangevuld met een herinnerde gewaarwording op basis van gelijkenissen. We hebben de
vaas al is van een ander perspectief gezien, dus we vullen de gebrekkige actuele,
tweedimensionale gewaarwording aan met vorige gewaarwording uit het geheugen.
Een bedrijf dat bottom-up georganiseerd ‘van onder naar boven’ zal de beslissing over de manier
waarop er geproduceerd en verdiend wordt, laten bepalen door de ideeën en noden op de
werkvloer. Wat onder aan de piramide leeft, bepaalt wat men bovenaan gaat beslissen.
Waarneming als proces dat bottom-up georganiseerd is waarbij kleine info-eenheden 1
betekenisvol geheel wordt. De binnenkomende prikkels worden 1 voor 1 geregistreerd door onze
zintuigen. De prikkels zijn duidelijk van elkaar gescheiden en bestaan onafhankelijk van elkaar.
Ze zijn neutraal1 als er iets wijzigt aan de ene prikkel dan houdt gaan verandering in voor de
ander. Deze informatie-eenheden wordt vervolgens omgezet in elektronische equivalenten die
door onze hersenen worden verwerkt.
Bottom-upvisie = de waarneming als een proces van constructie & het waargenomen object, de
som van een aantal eigenschappen
1
Neutraal iets betekent dat als iets wijzigt aan het ene dan houdt het geen verandering in voor het andere.
1
,Psychologie van de waarneming Isaure Tirry
3.1. David Marr: De visuele waarneming als computationeel proces
Computationele theorie
Doel= computerprogramma te ontwikkelen dat in staat zou zijn om te zien. Veronderstelt de
simulatie van het menselijke zicht dat men een theorie heeft over de aard van de waarneming.
> Marr beschouwt de menselijke visuele waarneming als een proces dat net zoals een
computer, input binnenkrijgt en deze vervolgens verwerkt tot gepaste output.
Het beeld valt op het netvlies (cameralens) wordt verschillende soorten van info gehaald input >
verwerkt > geïdentificeerd en gepaste handeling kan worden bepaald output.
> Voor een artificieel waarnemingssysteem te bouwen, te bepalen welke input juist is en de
output precies berekenen.
Marr waarnemingssoftware kent 3 opeenvolgende fases:
Welke zijn de elementen van het retinale beeld waarmee AI kan werken?
= De primaire schetsen
Vertrekpunt in het beeld= de helderheidswaarde van de pixel van het beeld. Bepalend:
• Belichting (sterkte & positie)
• Sensor (gevoeligheid & positie van oog of camera)
• Waargenomen scène (reflectie vs absorptie van de oppervlakte)
Scherpe helderheidsveranderingen zijn doorgaans een indicatie van verandering in de fysieke
realiteit. Wijzen op een grens of hoek van een object.
Eerste fase wordt de helderheidscontrasten uitvergroot, ‘zero-crossing’= helderheidssprongen Het
resultaat is een beeld dat bestaat uit primitieve factoren (randen, vlekken, strepen) in een
bepaalde positie en afmeting.
Welke zijn de algoritmes die bepalen hoe deze elementen zich tot elkaar verhouden en
dus bepalen wat er te zien is?
= 2,5D schets
Het algoritme analyseert lijnen op basis van de primaire schets en bepaald de objectgrenzen op
basis van continuïteit. Verandering in de oriëntatie van lijnen duiden op verschillende objecten.
Ononderbroken lijnen duiden op nabijheid, onderbroken lijnen op objecten achter andere.
Deze fase wordt de 2,5D schets genoemd omdat het systeem nog niet in staat is zich een idee te
vormen van het object. Het systeem interpreteert uitgerekte vormen als echt en kan niet
abstraheren van de impact van verschillende gezichtspunten. (Onafhankelijk van de waarnemer
zijn perspectief) Wel bij fase 3:
2
, Psychologie van de waarneming Isaure Tirry
= 3D schets
Het systeem maakt een abstractie van vervormingen van beeld veroorzaakt door de positie
vanwaar het object wordt waargenomen. Vanaf het object is bepaald kan het worden vergeleken
met info uit het geheugen. Anders bijna onmogelijk om een overeenkomst te vinden, aangezien
de kans zeer mini is dat eenzelfde object in exact dezelfde positie wordt aangenomen. De
weergeven van het beeld moet voldoende gevoelig (inzoomen) zijn om de individuele verschillen
tussen soortgenoten te kunnen zien & stabiel (uitzoomen) genoeg voor de gemeenschappelijke
structuren te zien.
3D objectmodel = een hiërarchische weergeven in een objectgericht coördinatenstelsel waarbij
het object vereenvoudigd wordt in verschillende niveaus, meestal door het op te delen in
eenvoudige basisvormen zoals cilinders voor het menselijk lichaam.
3.2. Het connectionisme: de visuele waarneming als netwerkproces
In ’80 maakte het klassieke computationalisme plaats voor het connectionisme in AI, waarbij
gesteld werd dat artificiële waarnemingssystemen niet moet modeleren naar computer maar
naar de hersenen.
Neurale netwerken, bestaat uit een verzameling van onderling verbonden knooppunten
verdeeld in 3
• Input Nodes = knooppunten waar de info binnenkomt
• Output Nodes = knopen waar info naar buiten gaat
• Hidden Nodes = knopen daartussen
Bij beeldherkenning worden pixels verdeeld in het beeld. Elke pixel krijgt een helderheidswaarde
tussen 0 (zwart) en 1 (heel licht). Elke pixel is verbonden met een neuraal knooppunt dat de
helderheidswaarde omzet in een activeringswaarde. De info gaat door lagen heen, waarbij elk
stadium patronen worden gedetecteerd. Het proces gaat verder en in de uitvoerlaag geven
specifieke combinaties van patronen het herkende object aan.
Het netwerk leert door verbindingsgewichten aan te passen op basis van herkenning in patronen
= ‘machine learning’
Neurale netwerken verschillen van klassieke computationele systemen:
Neurale netwerken Computationele systemen
Verschillende processen kunnen tegelijkertijd Sequentieel: het kan slechts een nieuw proces
of parallel plaatsvinden. = tijdswinst beginnen wanneer het vorige is afgerond.
Kan werken met alle gradaties tussen 1 en 0 Hier krijgen de informatie-eenheden ofwel de
(Graduele waarde) waarde 1 of 0 (Binaire waarde)
In staat om te leren (self-learning) Niet in staat om te leren (statisch)
Netwerken kunnen blijven functioneren Totale breakdown
wanneer een deel van het netwerk uitvalt
3
DEEL 1: DE WAARNEMING
Gewaarwording = de opname van stimulatie uit de omgeving en de omzetting van deze
stimulatie in zenuwimpulsen (of elektrische signalen)
Waarneming = het kunnen identificeren van wat zich rondom jou bevindt & betekenis vinden,
interpreteren en begrijpen v deze gewaarwording
Bottom-upschool = wetenschappelijke school die het zwaartepunt van de waarneming situeert
in de registratie van de prikkels die onze zintuigen beroeren/raken
3. De bottom-up verklaring van de visuele waarneming
Bottom-up = zwaartepunt van de waarneming van prikkels via zintuigen,
= empirische (zintuigelijke waarneembare) opvatting over de waarneming
= intellectualistische opvatting van de waarneming, waarin het zwaartepunt van de waarneming
gesitueerd wordt, niet in de zintuigen, maar in de geest, en die is niet-empirisch (niet
rechtstreeks waarneembaar of meetbaar).
Waarnemen kan per definitie nooit zuiver empirisch zijn, omdat we ons soms baseren op
elementen waarvoor geen fysieke prikkels aanwezig zijn, dus een combinatie van empirische
prikkels en niet-empirische geestelijke processen.
Bv: Als we kijken naar een vaas met bloemen zien we het als een plat voorwerp. We weten echter
dat er bloemen IN zitten en niet opgeplakt zijn. = driedimensionaal > De actuele gewaarwording
wordt aangevuld met een herinnerde gewaarwording op basis van gelijkenissen. We hebben de
vaas al is van een ander perspectief gezien, dus we vullen de gebrekkige actuele,
tweedimensionale gewaarwording aan met vorige gewaarwording uit het geheugen.
Een bedrijf dat bottom-up georganiseerd ‘van onder naar boven’ zal de beslissing over de manier
waarop er geproduceerd en verdiend wordt, laten bepalen door de ideeën en noden op de
werkvloer. Wat onder aan de piramide leeft, bepaalt wat men bovenaan gaat beslissen.
Waarneming als proces dat bottom-up georganiseerd is waarbij kleine info-eenheden 1
betekenisvol geheel wordt. De binnenkomende prikkels worden 1 voor 1 geregistreerd door onze
zintuigen. De prikkels zijn duidelijk van elkaar gescheiden en bestaan onafhankelijk van elkaar.
Ze zijn neutraal1 als er iets wijzigt aan de ene prikkel dan houdt gaan verandering in voor de
ander. Deze informatie-eenheden wordt vervolgens omgezet in elektronische equivalenten die
door onze hersenen worden verwerkt.
Bottom-upvisie = de waarneming als een proces van constructie & het waargenomen object, de
som van een aantal eigenschappen
1
Neutraal iets betekent dat als iets wijzigt aan het ene dan houdt het geen verandering in voor het andere.
1
,Psychologie van de waarneming Isaure Tirry
3.1. David Marr: De visuele waarneming als computationeel proces
Computationele theorie
Doel= computerprogramma te ontwikkelen dat in staat zou zijn om te zien. Veronderstelt de
simulatie van het menselijke zicht dat men een theorie heeft over de aard van de waarneming.
> Marr beschouwt de menselijke visuele waarneming als een proces dat net zoals een
computer, input binnenkrijgt en deze vervolgens verwerkt tot gepaste output.
Het beeld valt op het netvlies (cameralens) wordt verschillende soorten van info gehaald input >
verwerkt > geïdentificeerd en gepaste handeling kan worden bepaald output.
> Voor een artificieel waarnemingssysteem te bouwen, te bepalen welke input juist is en de
output precies berekenen.
Marr waarnemingssoftware kent 3 opeenvolgende fases:
Welke zijn de elementen van het retinale beeld waarmee AI kan werken?
= De primaire schetsen
Vertrekpunt in het beeld= de helderheidswaarde van de pixel van het beeld. Bepalend:
• Belichting (sterkte & positie)
• Sensor (gevoeligheid & positie van oog of camera)
• Waargenomen scène (reflectie vs absorptie van de oppervlakte)
Scherpe helderheidsveranderingen zijn doorgaans een indicatie van verandering in de fysieke
realiteit. Wijzen op een grens of hoek van een object.
Eerste fase wordt de helderheidscontrasten uitvergroot, ‘zero-crossing’= helderheidssprongen Het
resultaat is een beeld dat bestaat uit primitieve factoren (randen, vlekken, strepen) in een
bepaalde positie en afmeting.
Welke zijn de algoritmes die bepalen hoe deze elementen zich tot elkaar verhouden en
dus bepalen wat er te zien is?
= 2,5D schets
Het algoritme analyseert lijnen op basis van de primaire schets en bepaald de objectgrenzen op
basis van continuïteit. Verandering in de oriëntatie van lijnen duiden op verschillende objecten.
Ononderbroken lijnen duiden op nabijheid, onderbroken lijnen op objecten achter andere.
Deze fase wordt de 2,5D schets genoemd omdat het systeem nog niet in staat is zich een idee te
vormen van het object. Het systeem interpreteert uitgerekte vormen als echt en kan niet
abstraheren van de impact van verschillende gezichtspunten. (Onafhankelijk van de waarnemer
zijn perspectief) Wel bij fase 3:
2
, Psychologie van de waarneming Isaure Tirry
= 3D schets
Het systeem maakt een abstractie van vervormingen van beeld veroorzaakt door de positie
vanwaar het object wordt waargenomen. Vanaf het object is bepaald kan het worden vergeleken
met info uit het geheugen. Anders bijna onmogelijk om een overeenkomst te vinden, aangezien
de kans zeer mini is dat eenzelfde object in exact dezelfde positie wordt aangenomen. De
weergeven van het beeld moet voldoende gevoelig (inzoomen) zijn om de individuele verschillen
tussen soortgenoten te kunnen zien & stabiel (uitzoomen) genoeg voor de gemeenschappelijke
structuren te zien.
3D objectmodel = een hiërarchische weergeven in een objectgericht coördinatenstelsel waarbij
het object vereenvoudigd wordt in verschillende niveaus, meestal door het op te delen in
eenvoudige basisvormen zoals cilinders voor het menselijk lichaam.
3.2. Het connectionisme: de visuele waarneming als netwerkproces
In ’80 maakte het klassieke computationalisme plaats voor het connectionisme in AI, waarbij
gesteld werd dat artificiële waarnemingssystemen niet moet modeleren naar computer maar
naar de hersenen.
Neurale netwerken, bestaat uit een verzameling van onderling verbonden knooppunten
verdeeld in 3
• Input Nodes = knooppunten waar de info binnenkomt
• Output Nodes = knopen waar info naar buiten gaat
• Hidden Nodes = knopen daartussen
Bij beeldherkenning worden pixels verdeeld in het beeld. Elke pixel krijgt een helderheidswaarde
tussen 0 (zwart) en 1 (heel licht). Elke pixel is verbonden met een neuraal knooppunt dat de
helderheidswaarde omzet in een activeringswaarde. De info gaat door lagen heen, waarbij elk
stadium patronen worden gedetecteerd. Het proces gaat verder en in de uitvoerlaag geven
specifieke combinaties van patronen het herkende object aan.
Het netwerk leert door verbindingsgewichten aan te passen op basis van herkenning in patronen
= ‘machine learning’
Neurale netwerken verschillen van klassieke computationele systemen:
Neurale netwerken Computationele systemen
Verschillende processen kunnen tegelijkertijd Sequentieel: het kan slechts een nieuw proces
of parallel plaatsvinden. = tijdswinst beginnen wanneer het vorige is afgerond.
Kan werken met alle gradaties tussen 1 en 0 Hier krijgen de informatie-eenheden ofwel de
(Graduele waarde) waarde 1 of 0 (Binaire waarde)
In staat om te leren (self-learning) Niet in staat om te leren (statisch)
Netwerken kunnen blijven functioneren Totale breakdown
wanneer een deel van het netwerk uitvalt
3
