Master M2 Sciences

Source

Neurosciences Computationelles : émergence dans des réseaux d'information

Travaux pratiques : modèle bayesien de détection du mouvement d'objets

  • Le 27/10/2010, de 14h00 à 17h00 dans la salle formation de l'INCM (bâtiment N du GLM, 31, chemin Joseph Aiguier 13402 Marseille cedex).

  • me prévenir si vous n'avez pas un ordinateur portable personnel!

principe du TP

  • But: définition de la probabilité de vraissemblance pour des translations d'images grâce à l'utilisation d'un script générique

  • Méthode: montage d'expérience:

    1. expérience simple

    2. expérience avec vitesse entre 0 et une période

    3. effet du contraste sur le wagon wheel illusion

  • Résultats:

    1. une figure montrant 2 images successives d'un film, la densité de probabilité de mouvement. les images seront: un point, une ligne (réseau), un barber-pole, une image naturelle.

    2. une figure montrant l'influence d'un bruit ajouté sur ces images

    3. une figure montrant l'influence de la vitesse sur le mouvement d'un réseau

pré-requis

expérience simple

  • pour charger la boîte à outils :

    import motion_plant as mp

  • pour visualiser une image

    I1, I2 = mp.generate(V_X = 3.5)
mp.show_images(I1,I2)

  • Calcule la proba sur les vitesses V pour les 2 images:

    1. Il faut définir V avec la fonction velocity_grid, par exemple:

      V= mp.velocity_grid(v_max = 5.)

      (v_max est important il donne la valeur max des proba à tester)

    2. puis invoquer:

      P= mp.proba(V, I1, I2)

  • on peut voir la proba avec

    mp.show_proba(V, P)

  • et trouver celle qui correspond au maximum:

    mp.ArgMaxProba(V, P)

    ou la moyenne

    mp.MeanProba(V, P)

  • essayez différentes images...

    1. image naturelle

      I1, I2 = mp.lena()

    2. réseau carré

      I1, I2 = mp.generate(V_X = 2.5, square=True)

  • et différents paramètres, comme la variance de la vraissemblance

    sigmas = np.logspace(-2, 0, 10)

for sigma in sigmas:
    I1, I2 = mp.generate(V_X = 2.5)
    P= mp.proba(V, I1, I2, sigma=sigma)
    mp.show_proba(V, P)
    pylab.title('sigma ' + str(sigma))
    print mp.ArgMaxProba(V, P), mp.MeanProba(V, P)

  • ou la variance du prior

    sigmas = np.logspace(-1, 1, 10)

for sigma_p in sigmas:
    I1, I2 = mp.generate(V_X = 2.5)
    P= mp.proba(V, I1, I2, sigma_p=sigma_p)
    mp.show_proba(V, P)
    pylab.title('sigma_p ' + str(sigma_p))
    print mp.ArgMaxProba(V, P), mp.MeanProba(V, P)

expérience avec différents niveaux de bruit

  • pour créer une liste de bruits à tester, utiliser

    noises = np.linspace(0, 2., 10)

for noise in noises:
    I1, I2 = mp.generate(V_X = 2.5, noise=noise)
    mp.show_images(I1,I2)
    P= mp.proba(V, I1, I2, sigma_p=1.)
    print mp.ArgMaxProba(V, P), mp.MeanProba(V, P)

  • à comparer avec le cas où on est plus conservateur:

    pylab.close('all')
N_contrast =10
contrasts = np.linspace(0, 1., N_contrast)
V_hat = np.zeros((N_contrast,2))
for i, contrast in enumerate(contrasts):
    I1, I2 = mp.generate(V_X = 2.5, contrast=contrast, noise=.2,)
    P= mp.proba(V, I1, I2, sigma_p=10.)
    V_hat[i,:] = mp.MeanProba(V, P)

pylab.plot(contrasts, V_hat[:,0], 'r')
pylab.plot(contrasts, V_hat[:,1], 'r--')

V_hat = np.zeros((N_contrast,2))
for i, contrast in enumerate(contrasts):
    I1, I2 = mp.generate(V_X = 2.5, contrast=contrast, noise=.2,)
    P= mp.proba(V, I1, I2, sigma_p=1.)
    V_hat[i,:] = mp.MeanProba(V, P)

pylab.plot(contrasts, V_hat[:,0], 'g')
pylab.plot(contrasts, V_hat[:,1], 'g--')

  • ou avec une image naturelle:

    pylab.close('all')
N_contrast =10
contrasts = np.linspace(0, 1., N_contrast)
V_hat = np.zeros((N_contrast,2))
for i, contrast in enumerate(contrasts):
    I1, I2 = mp.lena()
    P= mp.proba(V, I1, I2, sigma_p=10.)
    V_hat[i,:] = mp.MeanProba(V, P)

pylab.plot(contrasts, V_hat[:,0], 'b')
pylab.plot(contrasts, V_hat[:,1], 'b--')

expérience avec un réseau à différentes vitesses

  • pour créer une liste de vitesses à tester, utiliser

    speeds = np.linspace(0, 10., 10)
V_hat = np.zeros((10,2))
for i, V_X in enumerate(speeds):
    I1, I2 = mp.generate(V_X = V_X, frequence=12)
    P= mp.proba(V, I1, I2, sigma_p=1.)
    V_hat[i,:] = mp.ArgMaxProba(V, P)

pylab.plot(speeds, V_hat[:,0], 'g')
pylab.plot(speeds, V_hat[:,1], 'g--')

  • ... c'est le Wagon-wheel effect!

références