Wiedervereinigung hoch- und niedrig-dimensionaler Modelle für die höhere visuelle Wahrnehmung

• Antragsteller: Dr. Heiko Schütt
• Fachliche Zuordnung: Allgemeine, Kognitive und Mathematische Psychologie ; Kognitive, systemische und Verhaltensneurobiologie
• Förderung: Förderung von 2018 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 418432665

Unsere visuelle Wahrnehmung ist hoch komplex um die Komplexität unserer visuellen Umgebung abbilden zu können. Daher werden visuelle Wahrnehmungsmodelle ebenfalls komplex, um die Wahrnehmung von beliebigen Bildern erfolgreich zu modellieren. Diese Modelle basieren allerdings auf Dimensionen, die für andere Zwecke wie Objekterkennung oder Texturerzeugung angepasst wurden. Außerdem können die Netzwerke bisher keine separaten Repräsentationen für mehrere Objekte erzeugen. Weiterhin sind die Modelle inzwischen so hoch-dimensional, dass die existierende Auswertungs-Methoden nicht mehr funktionieren. Diese Beobachtungen erzeugen einen Spalt zwischen den hoch-dimensionalen Modellen, die natürliche Stimuli verarbeiten können und den niedrig-dimensionalen Objekt-basierten Modellen, die wir verstehen. Mit diesem Projekt möchte ich versuchen diesen Spalt von beiden Seiten zu schließen. Von den hoch-dimensionalen Modellen aus möchte ich als erstes Ziel unsere statistischen Methoden verbessern um die komplexen Modelle untereinander und zu einfacheren Modellen zu vergleichen. Hierfür möchte ich moderne, auf Sparsity basierende Methoden einführen, die in anderen Feldern speziell für hoch-dimensionale Daten entwickelt wurden. Weiterhin plane ich die Representational Similarity Analysis (RSA) zu verbessern, die eine der wenigen existierenden Methoden für hoch-dimensionale Modelle und Daten darstellt. Beginnend von den einfacheren, interpretierbaren Modellen möchte ich als zweites Ziel an perzeptueller Organisation arbeiten, indem ich die interpretierbaren Modelle auf dead-leaves Stimuli ausweite, die aus zufällig übereinander gelegten einfachen Formen bestehen. Diese Stimuli sind interessant, weil sie die Frage wie Bilder in Objekte aufgeteilt werden isolieren und außerdem analytisch berechenbare Verteilungen für viele Bildeigenschaften haben. Diese Stimuli möchte ich für ein Verhaltensexperiment verwenden um zu testen wie gut Menschen perzeptuelle Organisation beherrschen. Modelle für diese Verhaltensdaten werden eine Reihe von Anwendungsmöglichkeiten für die Methoden bieten, die ich für mein erstes Ziel entwickeln möchte. Als mein drittes Ziel möchte ich dann die Einsichten aus meinen ersten beiden Zielen verwenden um die Modelle für die höhere Verarbeitung von natürlichen Stimuli zu verbessern. Die verbesserten statistischen Methoden aus dem ersten Ziel sollen dazu dienen die für menschliches Sehen relevanten Dimensionen aus tiefen neuronalen Netzwerk-Modellen zu extrahieren. Weiterhin sollen die Einsichten über Objekte, Verdeckungen und perzeptuelle Organisation von den dead-leaves stimuli helfen die Extraktion und Representation von separaten Objekten auch in natürlichen Stimuli besser zu verstehen. So soll dieses Projekt zur Entwicklung von bildbasierten Modellen beitragen, die die Welt in separate Objekte aufteilen können und deren interne Verarbeitung explizit zur Modellierung von menschlicher Wahrnehmung angepasst wurde.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Gastgeber: Professor Dr. Nikolaus Kriegeskorte; Professor Dr. Wei Ji Ma