Percepción de escenas naturales

La percepción de escenas naturales se refiere al proceso por el cual un agente (como un ser humano) capta e interpreta visualmente escenas que normalmente encuentra en modos naturales de operación (por ejemplo, calles concurridas, prados, salas de estar). ^[1] Este proceso ha sido modelado de varias formas diferentes que están guiadas por diferentes conceptos.

Una de las principales líneas divisorias entre las teorías que explican la percepción de escenas naturales es el papel de la atención . Algunas teorías sostienen la necesidad de una atención enfocada, mientras que otras sostienen que esta no interviene.

La atención enfocada jugó un papel parcial en los primeros modelos de percepción de escenas naturales. Dichos modelos involucraban dos etapas de procesamiento visual. ^[2] Según estos modelos, la primera etapa es libre de atención y registra características de bajo nivel como gradientes de brillo , movimiento y orientación de manera paralela. Mientras tanto, la segunda etapa requiere atención enfocada. Registra descripciones de objetos de alto nivel, tiene capacidad limitada y opera en serie. Estos modelos han sido informados empíricamente por estudios que demuestran ceguera al cambio , ceguera por falta de atención y parpadeo atencional . Dichos estudios muestran que cuando la atención enfocada visual de una persona está comprometida con una tarea, los cambios significativos en el entorno de una persona que no son directamente pertinentes a la tarea pueden escapar a la conciencia. En general, se pensaba que la percepción de escenas naturales era igualmente susceptible a la ceguera al cambio, la ceguera por falta de atención y el parpadeo atencional, y que estos fenómenos psicológicos ocurrían porque participar en una tarea desvía recursos atencionales que de otro modo se utilizarían para la percepción de escenas naturales.

La hipótesis de la ausencia de atención pronto surgió para desafiar a los primeros modelos. La base inicial de la hipótesis de la ausencia de atención fue el hallazgo de que en la búsqueda visual , las características visuales básicas de los objetos aparecen inmediata y automáticamente ante la persona que realiza la búsqueda visual. ^[3] Experimentos posteriores parecieron apoyar esto: Potter (citado por Evans y Treisman, 2005) demostró que se puede acceder rápidamente a representaciones de alto orden a partir de escenas naturales presentadas a velocidades de hasta 10 por segundo. Además, Thorpe, Fize y Marlot (citados por Evans y Treisman) descubrieron que los humanos y los primates pueden categorizar imágenes naturales (es decir, de animales en escenas cotidianas interiores y exteriores) de forma rápida y precisa incluso después de breves exposiciones. ^[3] La idea básica de estos estudios es que la exposición a cada escena individual es demasiado breve para que se produzcan procesos de atención, pero los seres humanos son capaces de interpretar y categorizar estas escenas.

Las versiones más débiles de la hipótesis de la ausencia de atención también se han centrado en componentes específicos del proceso de percepción de escenas naturales en lugar de en el proceso en su conjunto. Kihara y Takeda (2012) limitan su afirmación a decir que es la integración de información basada en frecuencias espaciales en escenas naturales (un subproceso de la percepción de escenas naturales) lo que está libre de atención. ^[4] Esta afirmación se basa en un estudio de ellos en el que se utilizaron tareas que exigían atención para examinar las capacidades de los participantes para categorizar con precisión imágenes que se filtraron para tener una amplia gama de frecuencias espaciales. La lógica detrás de este experimento era que si la integración de información visual a través de frecuencias espaciales (medidas por la tarea de categorización) es preatenta, entonces las tareas que exigían atención no deberían afectar el rendimiento en la tarea de categorización. De hecho, se encontró que este era el caso.

Un estudio reciente de Cohen, Alvarez y Nakayama (2011) pone en tela de juicio la validez de la evidencia que respalda la hipótesis de la falta de atención. Encontraron que los participantes sí mostraban ceguera por falta de atención mientras realizaban ciertos tipos de tareas de seguimiento de objetos múltiples (MOT) y presentación visual serial rápida (RSVP). ^[5] Además, Cohen et al. encontraron que la percepción de la escena natural de los participantes se vio afectada en condiciones de doble tarea, pero que este deterioro de la doble tarea se produjo solo cuando la tarea principal de los participantes era lo suficientemente exigente. Los autores concluyeron que los estudios anteriores que mostraban la ausencia de una necesidad de atención enfocada no utilizaban tareas que fueran lo suficientemente exigentes como para involucrar completamente la atención.

En el estudio de Cohen et al., la tarea MOT consistió en observar ocho discos negros en movimiento presentados contra un fondo cambiante que consistía en máscaras de tablero de ajedrez de colores aleatorios. Se eligieron cuatro de estos discos y se pidió a los participantes que siguieran el rastro de estos cuatro discos. La tarea RSVP consistió en observar una secuencia de letras y dígitos presentados contra una serie de tableros de ajedrez cambiantes y contar el número de veces que se presentaba un dígito. En ambos experimentos, la prueba crítica consistió en una escena natural que reemplazaba repentinamente al penúltimo tablero de ajedrez, y a los participantes se les preguntó inmediatamente después si habían notado algo diferente, así como también se les presentaron seis preguntas para determinar si habían categorizado la escena. La condición de doble tarea simplemente implicó que los participantes realizaran la tarea MOT mencionada anteriormente y una tarea de clasificación de escenas simultáneamente. Los autores variaron la dificultad de la tarea (es decir, cuán exigente era la tarea) aumentando o disminuyendo la velocidad de los discos en movimiento.

Éstos son algunos de los modelos que se han propuesto con el propósito de explicar la percepción de escenas naturales.

Evans y Treisman (2005) propusieron la hipótesis de que los humanos detectan rápidamente conjuntos disyuntivos de características no ligadas de categorías objetivo de manera paralela , y luego usan estas características para discriminar entre escenas que contienen o no el objetivo sin necesariamente identificarlo por completo. ^[3] Un ejemplo de tal característica serían las alas extendidas que se pueden usar para saber si hay o no un pájaro en una imagen, incluso antes de que el sistema haya identificado un objeto como un pájaro. Evans y Treisman proponen que la percepción de la escena natural implica un primer paso a través de la jerarquía de procesamiento visual hasta los nodos en una red de identificación visual, y luego una revisión opcional de los niveles anteriores para un análisis más detallado. Durante la etapa de "primer paso", el sistema forma una representación global de la escena natural que incluye el diseño de los límites globales y los objetos potenciales. Durante la etapa de "revisión", se emplea la atención enfocada para seleccionar objetos locales de interés de manera serial, y luego vincular sus características a sus representaciones.

Esta hipótesis es consistente con los resultados de su estudio en el que se instruyó a los participantes para que detectaran objetivos animales en secuencias RSVP y luego informaran sus identidades y ubicaciones. Si bien los participantes pudieron detectar los objetivos en la mayoría de los ensayos, a menudo fueron incapaces de identificarlos o localizarlos posteriormente. Además, cuando se presentaron dos objetivos en rápida sucesión, los participantes mostraron un parpadeo atencional significativo cuando se les pidió que identificaran los objetivos, pero el parpadeo atencional se eliminó en su mayoría entre los participantes a los que solo se les pidió que los detectaran. ^[3] Evans y Treisman explican estos resultados con la hipótesis de que el parpadeo atencional ocurre porque la etapa de identificación requiere recursos atencionales, mientras que la etapa de detección no.

La categorización visual ultrarrápida es un modelo que propone un mecanismo automático de retroalimentación que forma representaciones de objetos de alto nivel en paralelo sin atención enfocada. En este modelo, el mecanismo no se puede acelerar mediante entrenamiento. Se pueden encontrar pruebas de un mecanismo de retroalimentación en estudios que han demostrado que muchas neuronas ya son altamente selectivas al comienzo de una respuesta visual, lo que sugiere que no se requieren mecanismos de retroalimentación para que aumente la selectividad de la respuesta. ^[6] Además, estudios recientes de fMRI y ERP han demostrado que los estímulos visuales enmascarados que los participantes no perciben conscientemente pueden modular significativamente la actividad en el sistema motor, lo que sugiere un procesamiento visual algo sofisticado. ^[7] VanRullen (2006) realizó simulaciones que mostraban que la propagación de una onda de picos a través de neuronas de alto nivel, generada en respuesta a un estímulo, podría ser suficiente para el reconocimiento y la categorización rudimentarios que ocurren en 150 ms o menos. ^[8]

Xu y Chun (2009) proponen la teoría de archivos neuronales de objetos, que postula que el sistema visual humano selecciona inicialmente un número fijo de aproximadamente cuatro objetos de una escena abarrotada en función de su información espacial (individuación de objetos) antes de codificar sus detalles (identificación de objetos). ^[9] Según este marco, la individuación de objetos generalmente está controlada por el surco intraparietal inferior (SIP), mientras que la identificación de objetos involucra el SIP superior y las áreas visuales de nivel superior. En la etapa de individuación de objetos, las representaciones de objetos son burdas y contienen información mínima sobre las características. Sin embargo, una vez que estas representaciones de objetos (o archivos de objetos, para usar el lenguaje de la teoría) se han "configurado" durante la etapa de individuación de objetos, se pueden elaborar con el tiempo durante la etapa de identificación de objetos, durante la cual se recibe información adicional sobre las características y la identidad.

La teoría de los archivos neuronales-objetivos aborda la cuestión de la atención proponiendo dos sistemas de procesamiento diferentes. Uno de ellos sigue la estructura jerárquica general de la representación visual y no requiere atención, mientras que el otro procesa los objetos actuales de selección atencional. La hipótesis actual es que el área de lugar parahipocampal (PPA) desempeña un papel en el cambio de la atención visual a diferentes partes de una escena y en la incorporación de información de múltiples fotogramas para formar una representación integrada de la escena.

La separación entre la individuación y la identificación de objetos en la teoría de archivos de objetos neuronales está respaldada por evidencia como la del estudio fMRI de Xu y Chun (citado en Xu y Chun, 2009). En este estudio, examinaron los mecanismos cerebrales posteriores que sustentaban la memoria visual a corto plazo (MVCP). La fMRI mostró que las representaciones en la región SIP inferior se fijaban en aproximadamente cuatro objetos independientemente de la complejidad del objeto, pero las representaciones en la región SIP superior y el complejo occipital lateral (LOC) variaban según la complejidad. ^[10]