wali.su
 
Набережные Челны
Тел.: +7 8552 397129

Оптические иллюзии

 
 

Модель зрения

Куб, изображенный на рис. 1, иллюстрирует оптическую иллюзию, описанную швейцарским натуралистом Л. А. Некером в 1832 г. Большинство людей сначала видят куб так, будто вершина G находится к ним ближе всего; однако его можно увидеть иначе — так, что к зрителю обращена вершина А.

Для этого сфокусируйте взгляд на вершине А и представьте себе, что она выступает с бумаги,— тогда картинка «перевернется» так, что вершина А станет самой близкой к вам, причем изменение произойдет менее чем за секунду. Куб Некера интересен для психологов и тем, что изменения его ориентации происходят спонтанно, если вы просто продолжаете смотреть на него. Для исследователя в области искусственного интеллекта (ИИ) это важно с той точки зрения, что помогает разобраться в процессе параллельных вычислений.

Рис. 1. Оптическая иллюзия куба Некера. Какая из вершин находится ближе к вам — А или G?

Итак, вы заметили, как быстро «обращается» куб Некера, и знаете, как медленно работают отдельные вычислительные элементы мозга человека. Последовательная программа на таком медленном устройстве вообще не справится с работой. Однако ситуация здесь гораздо сложнее. И у человека, и у машины зрение требует нескольких уровней обработки информации . Как правило, эти уровни связаны с выделением краев ребер, линий, вершин, поверхностей и описаний объектов.

Ограничивающие линии и ребра для куба, где А обращена к зрителю, и для куба, где G обращена к зрителю, одни и те же, но многие другие характеристики видятся по разному. Частично эти различия показаны на рис. 2.

Интересно, как наша зрительная система одновременно переключается с одного множества взаимосгласованных воспрятий элементов куба на другое. Это явление хорошо демонстрирует основное, кооперативное, свойство параллельных вычислений и их принципиальное отличие от вычислений на обычных машинах.

Рис. 2. Сетевая модель, иллюстрирующая процесс восприятия куба Некера, изображенного на рис. 1.

Куб Некера может дать информацию и о некоторых деталях, свойственных сетевой модели (рис. 2). Каждый существенный элемент модели у нас представлен как отдельный вычислительный элемент, связанный со многими другими элементами. Каждый элемент имеет уровень активности (скажем, от -10 до +10) и автоматически посылает значение своего уровня активности по всем выходящим из него соединениям.

На сети (рис. 2) согласующиеся друг с другом элементы (например, «Н ближе к зрителю, чем G, и G заслонена») связаны дугами. Взаимоисключающие элементы, например «G заслонена» и «G не заслонена», связаны дугами с кружочками на концах, обозначающими отрицание. Для завершения построения модели необходимо задать правило, по которому элемент вычисляет свою новую величину активности но входным данным и старому значению активности. Можно предположить, например, что элементы вычисляют среднее значение положительных и отрицательных входных активностей.

Сети вроде тех, что показаны на рис. 2, не очень чувствительны к точному выбору правил вычисления — это одна из причин их привлекательности. Элементы, взаимосвязанные отрицательными связями, порождают сеть типа «победитель получает все».Такие сети представляют собой один из основных механизмов выбора решения в сетевых моделях и имеют известные нейрофизиологические аналоги.

Значительная часть работ этого направления в искусственном интеллекте, в котором исследуются высокопараллельные методы, посвящена использованию конструкций, подобных изображенной на рис. 2, для создания моделей интеллектуальной деятельности. Преимущества таких подходов - тесная снязь, с естественным интеллектом, большая устойчивость к помехам, легкость реализации на параллельных устройствах. Но основное преимущество сетевых моделей состоит в том, что они позволяют лучше описывать постановку некоторых вычислительных задач. Я не знаю другого способа описать феномен куба Некера, который был бы столь же экономен и прозрачен, как модель, показанная на рис. 2.

 
 

 
 
Copyright © 2008 Валеев Ильшат
Тел.:(8552) 397129
Создание и продвижение сайтов