E2E-GNet: An End-to-End Skeleton-based Geometric Deep Neural Network for Human Motion Recognition
تقترح الورقة البحثية E2E-GNet، وهي شبكة عصبية هندسية عميقة من طرف إلى طرف تستخدم طبقة تحويل هندسي وطبقة تحسين مدركة للتشوه لإسقاط تسلسلات حركة الهيكل العظمي بفعالية من الفضاء غير الإقليدي إلى الفضاء الخطي، مما يحقق أداءً فائقاً في التعرف على الحركة البشرية بتكلفة حوسبية أقل عبر مجموعات بيانات متعددة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم كمبيوتر فهم الحركة البشرية، مثل التعرف على ما إذا كان شخص ما يرقص، أو يلوح بيده، أو يسقط. لفترة طويلة، حاولت الحواسيب القيام بذلك من خلال النظر إلى "جلد" الشخص — ملابسه، الخلفية، والإضاءة. لكن هذا يشبه محاولة التعرف على أغنية من خلال النظر إلى لون أسطوانة الفينيل؛ إنه أمر فوضوي ويسهل الخلط فيه بسبب الظلال أو الغرفة الفوضوية.
لكن طريقة أفضل هي النظر إلى الهيكل العظمي: أي المفاصل والعظام فقط. هذا يجرد البيانات من الضجيج ويركز على الهندسة النقية للحركة.
الورقة البحثية التي شاركتَها تقدم نموذج ذكاء اصطناعي جديد يسمى E2E-GNet. فكر في هذا النموذج كـ "مترجم ذكي" يساعد الكمبيوتر على فهم اللغة المعقدة والمنحنية للحركة البشرية. وإليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:
1. المشكلة: "العالم المنحني" مقابل "الخريطة المسطحة"
تخيل أن الهيكل العظمي البشري ليس مجرد رسم لشخص عصوي على ورقة. نظرًا لأن مفاصلنا تدور وتنثني في فضاء ثلاثي الأبعاد، فإن "شكل" الهيكل العظمي يعيش في عالم منحني (يسميه علماء الرياضيات "متعدد طيات" أو manifold).
ومع ذلك، فإن معظم عقول الكمبيوتر (الشبكات العصبية) تشبه الخرائط المسطحة. فهي بارعة في رسم الخطوط المستقيمة والشبكات المسطحة، لكنها ترتبك بشدة عند محاولة الرسم على سطح منحني مثل الكرة الأرضية.
- الطريقة القديمة: حاولت الطرق السابقة إجبار بيانات الهيكل العظمي المنحنية على التكيف مع خريطة مسطحة. ولكن تماماً مثل محاولة تسطيح قشرة برتقالة دون تمزيقها، يتسبب هذا في تشوهات. ينتهي الأمر بالكمبيوتر وهو يعتقد أن حركتين مختلفتان تماماً بينما هما في الواقع متشابهتان، أو العكس.
2. الحل: طبقتان سحريتان لـ E2E-GNet
بنى المؤلفون نظاماً جديداً يحتوي على "طبقتين" خاصتين (خطوتين في العملية) لإصلاح هذه المشكلة.
الطبقة الأولى: مُعدّل "الوضعية المثالية" (طبقة التحويل الهندسي)
تخيل أنك تنظر إلى شخص يقوم بوضعية يوغا. إذا كان ملتفاً قليلاً جهة اليسار، فقد يعتقد الكمبيوتر أنها وضعية مختلفة عما لو كان يواجه الأمام مباشرة.
- ما تفعله هذه الطبقة: قبل تحليل الحركة، تعمل هذه الطبقة مثل مصور كاميرا ذكي. فهي تقوم تلقائياً بتدوير ومحاذاة الهيكل العظمي للوصول إلى الزاوية "المثالية"، مما يزيل أي ارتباك ناتج عن اتجاه الشخص.
- التشبيه: الأمر يشبه المصور الذي يدير الموضوع بحيث يواجه الكاميرا تماماً قبل التقاط الصورة، مما يضمن أن الكمبيوتر يرى الحركة فقط، وليس الاتجاه.
الطبقة الثانية: "مُصلح التشوه" (طبقة تقليل التشوه)
الآن، يتعين على الكمبيوتر إسقاط هذه الحركة المنحنية ثلاثية الأبعاد على عقله المسطح ثنائي الأبعاد. وكما ذكرنا سابقاً، غالباً ما يؤدي هذا إلى تمدد وتشويه البيانات (مثل خريطة العالم حيث تبدو جرينلاند ضخمة جداً).
- ما تفعله هذه الطبقة: تعمل هذه الطبقة مثل شريط مطاطي مرن. فهي تتعلم كيف تسحب البيانات بلطف للخلف، لتصحيح التشويه الذي حدث عند محاولة الكمبيوتر تسطيح المنحنى. وهي تضمن أن المسافة بين حركتين على "الخريطة المسطحة" للكمبيوتر تطابق المسافة الحقيقية في العالم المنحني الحقيقي.
- التشبيه: إذا قالت خريطة الكمبيوتر المسطحة إن "نيويورك ولندن تفصل بينهما 10 أميال" (بسبب التشوه)، فإن هذه الطبقة تقول: "لا، انتظر، المسافة بينهما هي بالفعل 3000 ميل"، وتقوم بتصحيح الحسابات لكي يحصل الكمبيوتر على المسافة الحقيقية.
3. لماذا هذا مهم: ميزة "من البداية إلى النهاية" (End-to-End)
جزء "من البداية إلى النهاية" في الاسم هو أمر جوهري.
- الطريقة القديمة: تخيل مصنعاً حيث يقوم شخص واحد بمحاذاة الهيكل العظمي، ثم يسلمه لشخص ثانٍ ليقوم بتسطيحه، ثم يحاول شخص ثالث تخمين الحركة. إذا ارتكب الشخص الثاني خطأً، فلا يمكن للشخص الثالث إصلاحه.
- E2E-GNet: هذا فريق ذاتي التصحيح. عمليات المحاذاة، والتسطيح، والتخمين كلها تحدث في وقت واحد. إذا أخطأ الكمبيوتر في التعرف على الحركة، يمكنه العودة للوراء والقول: "أوه، لقد قمت بمحاذاة الهيكل العظمي بشكل خاطئ"، أو "لقني سحبت الخريطة أكثر من اللازم"، ويقوم بإصلاح العملية بأكملها تلقائياً.
4. النتائج: أسرع وأذكى
اختبر المؤلفون هذا النظام الجديد على خمس مجموعات بيانات مختلفة، تتراوح من التعرف على حركات الرقص إلى اكتشاف علامات مرض الزهايمر أو التحقق مما إذا كان المريض يؤدي العلاج الطبيعي بشكل صحيح.
- الدقة: تفوق على جميع الطرق السابقة التي كانت تعتبر "الأحدث في المجال". لقد كان أفضل في التمييز بين الحركة الطفيفة والحركة الكبيرة.
- الكفاءة: رغم كونه أذكى، إلا أنه كان في الواقع أخف وأسرع من المنافسين. لم يكن بحاجة إلى كمبيوتر خارق للعمل؛ بل كان فعالاً بما يكفي للعمل على الأجهزة القياسية.
الملخص
E2E-GNet يشبه منح الكمبيوتر نظارات ثلاثية الأبعاد ومسطرة ذاتية التصحيح. بدلاً من التحديق في صورة مسطحة ومشوهة لشخص يتحرك، فإنه يفهم الحركة في شكلها الطبيعي المنحني ثلاثي الأبعاد، ويصحح الأخطاء الحسابية التي تحدث عادةً عند ترجمة الأبعاد الثلاثية إلى ثنائية الأبعاد، ويقوم بكل ذلك في عملية واحدة سلسة وتلقائية. وهذا يجعله مفيداً للغاية لكل شيء، من ألعاب الفيديو وتحليل الرياضة إلى الرعاية الصحية ومراقبة كبار السن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.