Dual-View Optical Flow for 4D Micro-Expression Recognition - A Multi-Stream Fusion Attention Approach
تقدم هذه الورقة نهج تدفق بصري ثنائي الرؤية مدمج مع Triple-Stream MicroAttNet الذي يتميز بآليات الانتباه الاندماجي والضغط والاستثارة، والذي حقق المركز الأول في تحدي ورشة عمل 4DMR IJCAI لعام 2025 من خلال التفوق بشكل كبير على النموذج المرجعي في مجموعة بيانات 4DME للتعرف على التعبيرات الدقيقة رباعية الأبعاد.
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 الإمساك بلص سريع للغاية، يتحرك بهدوء شديد، ولا يظهر سوى ابتسامة خاطفة وبسيطة قبل أن يتلاشى. هذا هو بالضبط ما يمثله التعرف على التعبيرات الدقيقة (Micro-Expression Recognition): محاولة رصد تلك الارتجافات الوجهية الخاطفة وغير الإرادية التي تكشف عما يشعر به الشخص حقاً، حتى عندما يحاول إخفاءه.
تصف هذه الورقة البحثية استراتيجية فائزة من مسابقة تقنية عالية (تحدي 4DMR 2025) حيث حاولت الفرق بناء برنامج حاسوبي لرصد هذه المشاعر الخفية باستخدام بيانات رباعية الأبعاد (4D) (نماذج وجه ثلاثية الأبعاد + الزمن).
إليك قصة كيف فاز المؤلفون، "Red-Green-Blue"، بالمركز الأول، مشروحة بأسطح مبسطة.
1. المشكلة: بيانات كثيرة، وضوح قليل
أعطى التحدي الفرق كمية هائلة من البيانات: أفلام ثلاثية الأبعاد لوجوه تتحرك.
- الفخ: اعتقد معظم الناس: "نحن بحاجة لتحليل الأشكال ثلاثية الأبعاد مباشرة!" لكن معالجة الأفلام ثلاثية الأبعاد تشبه محاولة قراءة كتاب مكتوب بلغة لا تعرفها بينما تركض في ماراثون. إنها ثقيلة جداً، بطيئة جداً، وتجعل الحاسوب يصاب بالارتباك.
- الواقع: التعبيرات الدقيقة صغيرة وسريعة جداً لدرجة أن النظر إلى الشكل "الثابت" ثلاثي الأبعاد (الوجه نفسه) يشبه محاولة رصد همسة عبر مراقبة شفاه شخص ما. أنت بحاجة للنظر إلى الحركة، وليس فقط إلى الشكل.
2. الحل: خدعة الكاميرا "ثنائية الرؤية"
بدلاً من الصراع مع الأشكال ثلاثية الأبعاد المعقدة، استخدم المؤلفون خدعة ذكية. لقد عاملوا البيانات ثلاثية الأبعاد كفيلم تم تصويره من كاميرتين (رؤية يسارية ورؤية يمينية).
لم ينظروا إلى الوجه نفسه؛ بل نظروا إلى الحركة بين الإطارات. فكر في الأمر كالتالي:
- الطريقة القديمة: النظر إلى صورة ثابتة لعداء وتخمين سرعة ركضه.
- طريقتهم: التقاط صورة ذات تعريض طويل تظهر "ضبابية" حركة العداء. هذه "الضبابية" (التي تسمى التدفق البصري - Optical Flow) تخبرك بالضبط في أي اتجاه تحركت العضلات، وبأي سرعة، وبأي قوة، متجاهلة حقيقة أن الشخص لديه أنف كبير أو ذقن صغير.
3. المحرك: المحقق "ثلاثي المسارات"
بمجرد الحصول على ضبابية الحركة هذه، لم يقوموا بتغذيتها في عقل واحد فحسب. بل بنوا شبكة ثلاثية المسارات (تسمى MicroAttNet). تخيل فريق تحقيق مكون من ثلاثة متخصصين، كل منهم ينظر إلى نفس مسرح الجريمة ولكن من زاوية مختلفة:
- المحقق الأفقي (المسار U): يبحث فقط عن الحركات الجانبية (مثل ابتسامة ساخرة أو عبوس يتسع عرضياً).
- المحقق العمودي (المسار V): يبحث فقط عن الحركات من الأعلى إلى الأسفل (مثل رفع الحاجب في حالة المفاجأة).
- محقق الشدة (المسار M): يركز فقط على مدى قوة الحركة، بغض النظر عن اتجاهها.
4. العقل: مدير "التركيز والدمج"
هذا هو السر الحقيقي. في الماضي، كانت الحواسيب تدمج المسارات الثلاثة معاً مثل "السموذي". لكن في بعض الأحيان، تكون عاطفة معينة مرتبطة غالباً بالحركة الجانبية، وفي أحيان أخرى ترتبط بالشدة.
أضاف المؤلفون وحدة دمج وانتباه (Fusion Attention Module). فكر في هذا كـ مدير ذكي يجلس على رأس فريق التحقيق.
- إذا رأى "المحقق الأفقي" شيئاً مريباً، يقول المدير: "حسناً، استمع إليه أكثر!"
- إذا رأى "محقق الشدة" إشارة قوية، يقول المدير: "ركز على ذلك!"
- يقرر المدير ديناميكياً أي متخصص هو الأكثر أهمية لهذه اللحظة المحددة، مما يضمن عدم تشتت الحاسوب بسبب الضجيج.
كما أضافوا كتلة "الضغط والإثارة" (Squeeze-and-Excitation) لمحقق الشدة للتأكد من أن الحاسوب لن يفوت أدق تلميحات القوة في الحركة.
5. الاستراتيجية: اصطياد لحظة "الذروة"
تحدث التعبيرات الدقيقة في ثلاث مراحل:
- البداية (Onset): تبدأ الحركة.
- الذروة (Apex): تصل الحركة إلى أقصى مداها (اللحظة الأكثر كثافة).
- التلاشي (Offset): تتلاشى الحركة.
أدرك المؤلفون أن "الذروة" هي اللحظة الأكثر أهمية. لذا بنوا نظاماً آلياً للعثور على الإطار الدقيق الذي تحرك فيه الوجه بأقصى قدر، وقسموا الفيديو إلى جزأين: من البداية إلى الذروة و من الذروة إلى النهاية. هذا يضمن أن يدرس الحاسوب "ذروة" العاطفة، وليس مجرد مرحلة التمهيد أو ما بعد الحدث.
6. النتيجة: الفوز باللعبة
اختبر الفريق نظامهم على مجموعة بيانات تضم 24 شخصاً وخمسة أنواع من العواطف (مثل "الكبت" أو "المفاجأة").
- الخط المرجعي (Baseline): الطريقة "القياسية" الرسمية المتبعة للحصول على نتيجة بلغت 0.355.
- درجتهم: طريقتهم القائمة على "الرؤية المزدوجة + المسارات الثلاثة" حصلت على درجة 0.536.
لم يفوزوا فحسب، بل سحقوا المنافسة، متفوقين على المركز الثاني بفارق كبير.
الخلاصة الكبرى
تعلمنا هذه الورقة درساً قيماً: أحياناً، أفضل طريقة لحل مشكلة ثلاثية الأبعاد معقدة هي تبسيطها إلى حركة ثنائية الأبعاد.
من خلال تجاهل الهندسة ثلاثية الأبعاد الثقيلة والتركيز فقط على اتجاه وسرعة الحركة من زاويتين، ومن ثم استخدام "مدير" ذكي لوزن تلك الأدلة، بنوا نظاماً أسرع، وأقل تكلفة في التشغيل، وأفضل بكثير في رصد العواطف الخفية لوجه الإنسان. الأمر يشبه إدراك أنه لكي تمسك بلص، لا تحتاج لمعرفة مقاس حذائه؛ بل تحتاج فقط لمعرفة الاتجاه الذي ركض فيه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.