Towards Emotion Recognition with 3D Pointclouds Obtained from Facial Expression Images
تقترح هذه الورقة نهجاً يحافظ على الخصوصية للتعرف المستمر على تعبيرات الوجه باستخدام الاستشعار اللاسلكي عالي التردد عبر توليد مجموعة بيانات سحابة نقاط ثلاثية الأبعاد (AffectNet3D) من صور ثنائية الأبعاد باستخدام طريقة قائمة على نموذج FLAME، مما يمكّن نموذج PointNet++ من تحقيق دقة تتجا over 70% ويُظهر أداءً فائقاً عند ضبطه بدقة على بيانات محدودة من العالم الحقيقي مقارنة بالتدريب حصرياً على مجموعات البيانات ثلاثية الأبعاد الموجودة.
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
إليك شرح للورقة البحثية، مترجم من المصطلحات الأكاديمية إلى قصة يمكنك ربطها بالواقع، باستخدام بعض التشبيهات الإبداعية.
المشكلة الكبرى: معضلة "كاميرا المراقبة"
تخيل أنك تريد بناء روبوت يمكنه معرفة ما إذا كنت سعيداً، أو حزيناً، أو غاضباً بمجرد النظر إلى وجهك. هذا ما يسمى "التعرف على العواطف" (Emotion Recognition).
حالياً، تقوم معظم الروبوتات بذلك عبر التقاط صور عالية الدقة لوجهك (صور ثنائية الأبعاد 2D). ولكن هناك عقبة ضخمة: الخصوصية.
- التشبيه: تخيل كاميرا مراقبة لا تسجل وجهك فحسب، بل تسجل ملمس جلدك، وشاماتك، ولون شعرك الدقيق، وكل تفصيل يجعلك "أنت". إذا تم اختراق هذه البيانات، يمكن لشخص ما سرقة هويتك وتتبعك في كل مكان.
- التشريعات: القوانين الجديدة (مثل قانون الذكاء الاصطناٍعي في الاتحاد الأوروبي) تقول: "توقفوا! لا يمكننا مجرد التقاط صور لوجوه الناس طوال الوقت، خاصة لمراقبة الصحة أو الأجهزة القابلة للارتداء. هذا انتهاك صارخ للخصوصية".
الحل المقترح: "النحات اللاسلكي"
يقترح المؤلفون طريقة جديدة لـ "رؤية" العواطف دون التقاط صورة. يقترحون استخدام الاستشعار اللاسلكي عالي التردد (HFWS).
- التشبيه: فكر في هذا الأمر كأنه نظام سونار في غواصة أو خفاش يستخدم تحديد الموقع بالصدى. بدلاً من الكاميرا التي تلتقط صورة، يرسل الجهاز (مثل النظارات الذكية) موجات راديو غير مرئية (تحديداً موجات تيرهرتز). ترتد هذه الموجات عن وجهك وتعود إلى الجهاز.
- النتيجة: الجهاز لا يرى لون بشرتك أو عينيك. بدلاً من ذلك، يقوم ببناء خريطة هيكلية ثلاثية الأبعاد (3D wireframe map) لوجهك (سحابة نقاط). الأمر يشبه منحوتة طينية رقمية. يمكنك رؤية شكل ابتسامتك أو تجاعيد جبهتك، لكن لا يمكنك رؤية وجهك بوضوح كافٍ لمعرفة هويتك. إنه نظام يحترم الخصوصية لأنه يجرد البيانات من "التفاصيل التعريفية" مع الحفاظ على "الشكل العاطفي".
العقبة: "المكتبة الفارغة"
هنا يكمن الجزء الصعب. لتعليم الكمبيوتر قراءة العواطف من هذه الهياكل ثلاثية الأبعاد، تحتاج إلى مكتبة ضخمة من الأمثلة (مجموعة بيانات).
- المشكلة: لدينا مكتبات ضخمة من الصور ثنائية الأبعاد (الملايين منها). لكن ليس لدينا تقريباً أي مكتبات لهذه الهياكل ثلاثية الأبعاد. لماذا؟ لأن أخذ المسوحات ثلاثية الأبعاد يتطلب معدات استوديو باهظة الثمن وضخمة. لا يمكنك بسهولة مسح ملايين الأشخاص في الواقع باستخدام ماسح ضوئي ثلاثي الأبعاد.
- التشبيه: الأمر يشبه محاولة تعليم طالب قيادة سيارة سباق، لكن ليس لديك سوى مكتبة من الكتب حول الدراجات الهوائية. لديك الكثير من الصور (الدراجات)، لكن ليس لديك أي سيارات سباق حقيقية (مسوحات ثلاثية الأبعاد) للتدرب عليها.
الخدعة السحرية: تحويل الصور إلى طين
ابتكر المؤلفون حلاً ذكياً لملء المكتبة. استخدموا "خدعة سحرية" لتحويل الصور ثنائية الأبعاد الموجودة إلى هياكل ثلاثية الأبعاد.
- الأداة: استخدموا نموذجاً رياضياً يسمى FLAME. فكر في FLAME كأنه "محرك دمى رقمي". هو يعرف الشكل المتوسط للرأس البشري وكيف تتحرك العضلات عندما نبتسم أو نعبس.
- العملية: أخذوا آلاف الصور العامة من قاعدة بيانات AffectNet (مجموعة ضخمة من الناس وهم يظهرون تعبيرات وجوههم). ثم أدخلوا هذه الصور في FLAME.
- المخرج: قام FLAME بـ "تخيل" الشكل ثلاثي الأبعاد خلف الصورة وأنشأ سحابة نقاط ثلاثية الأبعاد لكل صورة.
- النتيجة: أنشأوا AffectNet3D. وفجأة، أصبح لديهم مكتبة ضخمة من الهياكل ثلاثية الأبعاد لتدريب ذكائهم الاصطناعي، وكلها تم إنشاؤها من صور ثنائية الأبعاد.
التحسين: قطع الرأس
كانت هناك مشكلة صغيرة. النماذج ثلاثية الأبعاد التي تم إنشاؤها تضمنت الرأس بالكامل، والرقبة، والشعر. ولكن بالنسبة للتعرف على العواطف، يهتم الذكاء الاصطناعي بالوجه فقط.
- التشبيه: تخيل أنك تحاول تعليم كلب التعرف على نوع معين من العظام، لكنك تستمر في رمي قطعة لحم كاملة تحتوي على العظمة بداخلها. الكلب سيصاب بالارتباك بسبب اللحم.
- الحل: صنع المؤلفون "مشرطاً رقمياً". لقد أنشأوا مسار عمل يقوم تلقائياً بقطع الرقبة والشعر، وعزل منطقة الوجه فقط. جعل هذا البيانات أكثر نقاءً وجعل الذكاء الاصطناعي أكثر ذكاءً.
الاختبار: هل نجح الأمر؟
قاموا بتدريب نموذج ذكاء اصطناعي شهير (يسمى PointNet++) على هذه البيانات ثلاثية الأبعاد الجديدة. ثم اختبروه على مجموعة بيانات ثلاثية الأبعاد حقيقية وعالية الجودة (BU-3DFE) لم يروها من قبل.
- النتيجة: حقق الذكاء الاصطناعي دقة تزيد عن 70%.
- المقارنة مع "الأوراكل" (النموذج المثالي): قارنوا هذا بـ "الأوراكل" (وهو السيناريو المثالي حيث يتم تدريب الذكاء الاصطناعي على كل البيانات ثلاثية الأبعاد الحقيقية المتاحة). كانت طريقتهم قريبة جداً من مستوى "الأوراكل"، رغم أنهم بدأوا بالصور!
- اختبار الأجهزة القابلة للارتداء: اختبروا أيضاً ما يحدث إذا كانت النظارات الذكية ترى جزءاً فقط من الوجه (مثل إذا كان إطار النظارة يحجب الجبهة). حتى مع الرؤية الجزئية، ظل النظام يعمل بشكل جيد.
لماذا يهم هذا الأمر؟
هذه الورقة البحثية هي جسر. إنها تربط عالم الصور ثنائية الأبعاد (التي نمتلك الكثير منها) بعالم الاستشعار ثلاثي الأبعاد الصديق للخصوصية (الذي نحتاجه للمستقبل).
- للمستقبل: تخيل ارتداء نظارات ذكية تراقب مستويات التوتر لديك في العمل أو التعب أثناء القيادة.
- الفائدة: بما أن النظارات تستخدم "هياكل لاسلكية" بدلاً من الكاميرات، فهي لا تسجل وجهك. هي فقط تعرف أنك متوتر. هذا يحافظ على هويتك آمنة بينما تساعدك في نفس الوقت.
باختاً مختصراً: لقد اكتشف المؤلفون كيفية تحويل مكتبة من الصور إلى مكتبة من "النماذج الطينية" ثلاثية الأبعاد حتى نتمكن من تدريب الذكاء الاصطناعي على قراءة العواطف دون التقاط صورة واحدة لوجه بشري. إنه انتصار للخصوصية وانتصار للتكنولوجيا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.