CLERF: Contrastive LEaRning for Full Range Head Pose Estimation

تخيل أنك تحاول تعليم روبوت فهم لغة جسد البشر. تريد منه أن يعرف بدقة كيف يميل رأس الشخص، سواء كان ينظر للأعلى إلى طائر، أو للأسفل إلى هاتف، أو يدور حول نفسه في دائرة. تسمى هذه المهمة "تقدير وضعية الرأس" (HPE)، وهي أمر بالغ الأهمية لكل شيء، من ألعاب الواقع الافتراضي إلى السيارات ذاتية القيادة التي تحتاج لمعرفة ما إذا كان أحد المشاة ينظر إليها. لتعليم الكمبيوتر هذا الأمر، عادة ما نعرض عليه آلاف الصور للوجوه. ولكن هنا يكمن الجزء الصعب: في العالم الحقيقي، من النادر جداً العثود على صورتين لأشخاص مختلفين ينظرون في نفس الاتجاه بالضبط. الأمر يشبه محاولة العثور على غريبين في استاد مزدحم ينظران كلاهما إلى نفس ذرة الغبار على السقف. ولأن هذه الأزواج "المتطابقة" صعبة المنال، فإن طريقة تعليم قوية تسمى "التعلم التبايني" (contrastive learning) — والتي تعمل من خلال مقارنة الأشياء المتشابهة لتعلم ما يجعلها متشابهة — قد تعثرت في الوحل لهذا العمل تحديداً.

الآن، ادخل على فريق من الباحثين الذين قرروا بناء جسر فوق تلك الفجوة الموحلة. لقد ابتكروا إطار عمل جديداً يسمى CLERF (التعلم التبايني لتقدير وضعية الرأس كامل النطاق). فبدلاً من انتظار الكون ليزودهم بصور متطابقة، استخدموا نوعاً خاصاً من مولدات الذكاء الاصطناعي لإنشاء صور "توأم" خاصة بهم أثناء العمل. كما أدركوا أن معظم "أدمغة الروبوتات" الموجودة حالياً سيئة جداً في التعامل مع الصور التي تكون مائلة أو مقلوبة قليلاً؛ فإذا قمت بتدوير صورة بمقدار 10 درجات، يصاب الروبوت بالارتباك. أما CLERF، فقد بُني للتعامل مع عالم الـ 360 درجة بأكمله، بما في ذلك الرؤوس المقلوبة، ويظل هادئاً حتى عندما تصبح الصور فوضوية قليلاً.

المشكلة: "إبرة في كومة قش" لوضعيات الرأس

فكر في تقدير وضعية الرأس كتعليم طالب التعرف على الاتجاهات. إذا عرضت عليهم فقط صوراً لأشخاص ينظرون للأمام مباشرة أو إلى الجانب قليلاً، فسيصبحون خبراء في ذلك. ولكن إذا طلبت منهم تحديد شخص ينظر للأعلى مباشرة، أو للأسفل مباشرة، أو حتى رأساً على عقب، فقد يفشلون لأنهم لم يروا مثل هذه الزوايا من قبل.

وجد الباحثون أن محاولة استخدام "التعلم التبايني" لهذا النطاق الكامل من الحركة كانت مستحيلة تقريباً. بعبارات بسيطة، التعلم التبايني يشبه لعبة "أوجد الفروق" حيث يتعلم الكمبيوتر من خلال مقارنة صورة "هدف" (المرجع) مع "مطابق" (الإيجابي) و"غير مطابق" (السلبي). لكي يتعلم جيداً، يحتاج الكمبيوتر إلى رؤية العديد من الأزواج من الأشخاص الذين ينظرون في نفس الاتجاه. ولكن في الفضاء ثلاثي الأبعاد لحركات الرأس، فإن العثور على شخصين ينظران في نفس الاتجاه بالضبط هو أمر مستبعد إحصائياً، بنسبة تقل عن 0.02%. وبدون هذه المطابقات، لا يمكن للكمبيوتر تعلم الفروق الدقيقة بين الزوايا.

الحل: المرآة السحرية والغرفة الدوارة

لحل هذه المشكلة، بنى المؤلفون خدعة ذكية مكونة من خطوتين.

الخطوة 1: المرآة السحرية (التوائم الاصطناعية)
بدلاً من البحث عن أشخاص حقيقيين ينظرون بنفس الطريقة، استخدموا "شبكة خصومة توليدية مدركة للثلاثي الأبعاد" (نوع من الذكاء الاصطناعي يمكنه إنشاء صور ثلاثية الأبعاد واقعية) لإنشاء توأم اصطناعي. تخيل أن لديك صورة لشخص ينظر لليسار قليلاً؛ يقوم الذكاء الاصطناعي بتوليد صورة مزيفة لشخص آخر ينظر في نفس الاتجاه بالضبط. الآن، أصبح لدى الكمبيوتر "زوج إيجابي" مثالي (مطابق) ليدرسه. هذا يحل مشكلة "الإبرة في كومة القش" عبر خلق الإبر كلما دعت الحاجة إليها.

الخطوة 2: الغرفة الدوارة (التحويلات الهندسية)
أدرك الباحثون أن مجرد امتلاك المطابقات لم يكن كافياً؛ فقد كانوا بحاجة لتعليم الكمبيوتر كيفية التعامل مع أي زاوية، بما في ذلك الزوايا الغريبة مثل الرؤوس المقلوبة. قاموا بتطبيق "قلبات" و"دورات" رياضية على صورهم. فكر في الأمر كأخذ صورة وتدوير الغرفة حولها. إذا قمت بتدوير صورة شخص ينظر لليسار بمقدار 180 درجة، فإنه الآن ينظر لليمين. من خلال قلب وتدوير هذه الصور رياضياً، تمكنوا من تغطية كرة حركات الرأس بأكملها، من -180 إلى 180 درجة، مما يضمن أن الكمبيوتر سيرى كل الزوايا الممكنة.

والأهم من ذلك، أنهم أثبتوا أنه إذا قمت بتدوير أو قلب زوج من الصور المتطابقة بنفس الطريقة، فإنهما يظلان متطابقين. سمح هذا باستخدام التعلم التبايني بفعالية، وتعليم الكمبيوتر أن الرأس الذي ينظر لليسار يختلف جوهرياً عن الرأس الذي ينظر لليمين، حتى لو كانت الصورة مقلوبة رأساً على عقب.

ما وجدوه: الروبوت الذي لا يصاب بالدوار

اختبر الفريق نموذجهم الجديد، CLERF، مقابل أفضل النماذج الموجودة باستخدام مجموعات بيانات اختبار قياسية. وإليكم ما حدث:

• على الصور العادية: عند اختباره على الصور القياسية والمعتدلة، كان أداء CLERF يضاهي أفضل النماذج. لم يكن حلاً سحرياً جعل كل شيء مثالياً فوراً، لكنه أثبت جدارته.
• على الصور المائلة قليلاً: هنا حدث السحر. عندما أخذ الباحثون صور الاختبار وقاموا بتدويرها بمقدار 10 درجات أو قلبها (مما خلق ما أسموه النسخ "المعززة قليلاً" أو SA)، بدأت النماذج القديمة في التعثر. انخفضت دقتها بشكل كبير، بينما ظل CLERF صامداً وقوياً. كان أكثر دقة بمقدار 0.5 إلى 1.3 درجة من أقرب نموذج منافس على هذه الصور المدوّرة قليلاً.
• على الصور المدورة بشكل كبير: عندما اختبروا النماذج على صور مدورة أو مقلوبة بشدة (نسخ "النطاق الكامل" أو FA)، كان الفرق هائلاً. النماذج الموجودة، حتى تلك التي ادعت القدرة على التعامل مع النطاقات الكاملة، ارتبكتت وقفزت أخطاؤها بأكثر من 10 درجات. أما CLERF، فقد تعامل مع هذه الزوايا الجنونية بكل سهولة، متفوقاً على المنافسين بفارق شاسع.

كما قام الباحثون بتصور كيفية "رؤية" الكمبيوتر للعالم. أظهروا للنماذج فيديو لشخص يدور في دائرة كاملة. رأت النماذج القديمة الشخص الذي يدور ككتلة ضبابية ومربكة حيث تبدو نقاط البداية والنهاية متشابهة جداً. أما CLERH، فقد رأى دائرة واضحة وسلسة، مميزاً بدقة بين الزوايا المتقاربة والزوايا المتباعدة.

الخلاصة

تشير الورقة البحثية إلى أنه من خلال توليد صور "توأم" خاصة بهم وتدوير البيانات رياضياً، نجحوا في تعليم الكمبيوتر فهم وضعيات الرأس بطريقة لم يفعلها أحد من قبل. لم يكتفوا بجعل نموذج يعمل جيداً على الصور المثالية فحسب، بل صنعوا نموذجاً قوياً بما يكفي للتعامل مع الواقع الفوضوي والمُدوّر والمقلوب. ورغم أنهم لم يدّعوا حل كل مشاปัญหา الرؤية الحاسوبية، إلا أنهم أثبتوا أن هذا النهج الجديد يسمح بنموذج "نطاق كامل حقيقي" يمكنه التنبؤ بدقة بأي وضعية للرأس، بما في ذلك الوضعيات التي كانت تُربك أفضل أنظمة الذكاء الاصطناعي سابقاً.