MEGC2026: Micro-Expression Grand Challenge on Visual Question Answering

إليك ملخص تقني مفصل لورقة البحث "MEGC2026: التحدي الكبير للتعبيرات الدقيقة على الأسئلة والأجوبة المرئية."

1. تعريف المشكلة

تتناول الورقة التحديات المتطورة في تحليل التعبيرات الوجهية الدقيقة (Micro-Expression - ME). التعبيرات الدقيقة هي حركات وجهية لا إرادية وخاطفة (تستغرق عادةً أقل من 500 مللي ثانية) تحدث عندما يحاول الشخص كبت عاطفة ما، وغالباً ما يكون ذلك في البيئات عالية المخاطر. وبينما ركزت الأبحاث السابقة على التعرف على هذه التعبيرات، ورصدها، وتوليدها، ينتقل المجال الآن نحو نماذج اللغات الكبيرة متعددة الوسائط (MLLMs) ونماذج الرؤية واللغة الكبيرة (LVLMs).

المشكلة الجوهرية هي الاستفادة من هذه النماذج المتقدمة لأداء مهمة الأسئلة والأجوبة المرئية (VQA) على فيديوهات التعبيرات الدقيقة. ينقسم التحدي إلى مهمتين متمايزتين:

• ME-VQA (فيديو قصير): تحليل مقاطع قصلة محددة مسبقاً للإجابة على أسئلة حول سمات معينة للتعبير الدقيق (مثل: فئة العاطفة، أو وحدات الحركة - Action Units).
• ME-LVQA (فيديو طويل): تحليل تسلسلات فيديو طبيعية طويلة المدة. يتطلب هذا من النماذج التعامل مع الاستدلال الزمني، والتمييز بين التعبيرات الكلية (Macro-expressions) والتعبيرات الدقيقة (Micro-expressions) عبر الزمن، بالإضافة إلى عد الأحداث أو تحديد سمات معينة ضمن تدفق مستمر للنشاط الوجهي.

2. المنهجية

يقترح المؤلفون إطار عمل يستخدم أحدث نماذج الرؤية واللغة الكبيرة (LVLMs) لمعالجة هذه المهام، مع وضع خطوط أساس (baselines) لتوجيه الأبحاث المستقبلية.

• النماذج المرجعية (Baseline Models): يستخدم التحدي نموذجي Qwen2.5VL-3B و Qwen3VL-4B كنماذج مرجعية. تدمج هذه النماذج مشفر رؤية، وعمود فقري لغوي، ووحدة دمج عبر الوسائط.
• استراتيجيات التدريب:
  • التعلم الصفري (Zero-Shot - ZS): تقييم القدرات المتأصلة للنماذج دون تدريب مخصص للمهمة.
  • الضبط الدقيق (Fine-Tuning - FT): استخدام تقنية QLoRA (التكيف منخفض الرتبة المكمم) لتحديث المعلمات بكفاءة. يتم تطبيق المحولات (adapters) على مشفر الرؤية، وطبقات الإسقاط، ومكونات الاستعلام والمفتاح (query/key) في النموذج اللغوي.
• مجموعات البيانات:
  • التدريب: يُشجع المشاركون على استخدام مجموعات البيانات القياسية مثل SAMM، وCASME II، وSMIC، وCAS(ME)3، و4DME.
  • ME-VQA: تستخدم مجموعة بيانات ME-VQA-v2 (المستخرجة من SAMM وCAS(ME)3)، والتي تحتوي على 24 مقطعاً للاختبار.
  • ME-LVQA: تستخدم مجموعة تدريب منسقة ومجموعة اختبار مكونة من 30 فيديو طويل (10 من SAMM، و20 من CAS(ME)3).
• صياغة المهمة:
  • المدخلات هي تسلسلات فيديو + أسئلة باللغة الطبيعية.
  • المخرجات هي إجابات باللغة الطبيعية تصف التعبيرات الدقيقة، أو تعد الأحداث، أو تصنف أنواع التعبير.

3. المساهمات الرئيسية

• تقديم ME-LVQA: تكمن الجدة الأساسية في مهمة الأسئلة والأجوبة للتعبيرات الدقيقة في الفيديو الطويل، والتي تتجاوز المقاطع القصيرة إلى سيناريوهات واقعية طويلة المدة تتطلب تحديد الموقع الزمني وتجميع الأحداث.
• التحول في النموذج متعدد الوسائط: يعيد التحدي صياغة التوصيفات التقليدية للتعبيرات الدقيقة (وحدات الحركة، تسميات العواطف) إلى أزواج من الأسئلة والأجوبة (QA pairs)، مما يعزز القابلية للتفسير والتفاعل المتوافق مع البشر.
• التقييم الشامل: توفر الورقة تقييماً صارماً لنماذج LVLMs الحالية (سلسلة Qwen) في مهام التعبيرات الدقيقة، مما يضع أول لوحات صدارة عامة لكل من مهام ME-VQA للفيديوهات القصيرة والطويلة.
• تنسيق مجموعات البيانات: إصدار مجموعات بيانات منقحة (ME-VQA-v2 و ME-LVQA) منسقة خصيصاً لتدريب واختبار نماذج VQA على التعبيرات الدقيقة.

4. النتائج التجريبية

تسلط النتائج المرجعية الضوء على الفجوات الكبيرة بين قدرات نماذج LVLMs الحالية ومتطلبات تحليل التعبيرات الدقيقة.

المهمة 1: ME-VQA (فيديو قصير)

• الأداء: أظهر كل من Qwen2.5VL-3B و Qwen3VL-4B أداءً متوسطاً في تصنيف العواطف واسع النطاق (إيجابي/سلبي/مفاجأة) ولكن أداءً ضعيفاً للغاية في التصنيف دقيق التفاصيل (مثل المشاعر المحددة كالخوف، أو الاشمئزاز، إلخ).
• تأثير الضبط الدقيق: أدى الضبط الدقيق إلى تحسين مقاييس توليد اللغة (BLEU، ROUGE) بشكل كبير، مما يشير إلى أن النماذج تعلمت كيف تتحدث "بشكل صحيح". ومع ذلك، ظل التعرف على العواطف دقيقة التفاصيل (UF1) قريباً من الصفر أو منخفضاً جداً، مما يشير إلى أن النماذج تواجه صعوبة في التقاط الإشارات البصرية الدقيقة.
• النتيجة الرئيسية: يمكن للنماذج التمييز بين القيم العاطفية العامة، لكنها تفشل في التمييز الدقيق المطلوب للتعبيرات الدقيقة.

المهمة 2: ME-LVQA (فيديو طويل)

• تدهور الأداء: كما هو متوقع، انخفض الأداء بشكل كبير مقارنة بالمقاطع القصيرة.
• مهام التراجع (العد): أظهرت النماذج خطأً مطلقاً متوسطاً (MAE) وخطأً في جذر متوسط المربعات (RMSE) مرتفعاً في عد أحداث التعبيرات الدقيقة (ME) والتعبيرات الكلية (MaE).
• مهام التصنيف:
  • التعرف على وحدات الحركة (AU): كانت درجات F1 القائمة على المجموعات منخفضة (~0.16–0.24)، مما يشير إلى صعوبة في تحديد وحدات حركة معينة.
  • تصنيف ME مقابل MaE: تراوحت درجات F1 غير الموزونة (UF1) بين 0.36 و0.53، مما أظهر قدرة محدودة على التمييز بين التعبيرات الدقيقة والكلية في السياقات الطويلة.
• محدودية الضبط الدقيق: رغم أن الضبط الدقيق ساعد، إلا أن المكاسب كانت متواضلة. ويعزو المؤلفون ذلك إلى محدودية تنوع مجموعة التدريب الفرعية (10 أشخاص فقط)، مما يشير إلى أن النماذج تعاني من فرط التخصيص (overfitting) لهويات محددة بدلاً من تعلم الديناميكيات الزمنية القوية.

5. الأهمية والتوجهات المستقبلية

• القابلية للتطبيق في العالم الحقيقي: من خلال تقديم تحليل الفيديو الطويل، يسد التحدي الفجوة بين مجموعات البيانات المختبرية المحكومة وسيناريوهات العالم الحقيقي حيث تحدث التعبيرات الدقيقة وسط سلوك وجهي طبيعي ومستمر.
• القيود المحددة: تؤكد النتائج أن نماذج LVLMs الحالية ليست قوية بما يكفي بعد لتحليل التعبيرات الدقيقة دقيقة التفاصيل. فالطبيعة "الدقيقة" للتعبيرات تتطلب نماذج تكون حساسة للغاية للديناميكيات الزمنية والميزات الثابتة للهوية، وهو ما تفتقر إليه النماذج المرجعية الحالية.
• دعوة للعمل: تؤكد الورقة على الحاجة إلى:
  1. بيانات تدريب أكبر وأكثر تنوعاً لمنع فرط التخصيص للهوية.
  2. بنى هندسية متقدمة للاستدلال الزمني قادرة على التعامل مع الاعتمادات طويلة المدى.
  3. تكامل أفضل للإشارات البصرية لتحسين اكتشاف العواطف الدقيقة ووحدات الحركة.

في الختام، يضع MEGC 2026 معياراً جديداً لأبحاث التعبيرات الدقيقة من خلال نقل التركيز من التصنيف الصرف إلى الاستدلال متعدد الوسائط والفهم الزمني طويل الأمد، موضحاً أنه بينما توفر نماذج LVLMs اتجاهاً واعداً، إلا أن هناك حاجة لتطورات كبيرة في البنية الهندسية والبيانات لتحقيق أداء بمستوى القدرات البشرية في تحليل التعبيرات الدقيقة.