Chatting about Upper-Body Expressive Human Pose and Shape Estimation
تقدم الورقة البحثية CoEvoer، وهو إطار عمل محول (transformer) جديد ذو مرحلة واحدة يعتمد على التآزر والاعتماد المتبادل عبر النطاقات، يحقق أداءً فائقاً في تقدير تعبيرات وضعية وشكل جسم الإنسان للجزء العلوي من الجسم، وذلك من خلال تمكين التفاعل المتبادل بين ميزات الجذع والوجه واليدين على مستوى الميزات لتحسين الدقة والقدرة على التعميم في الصور الملتقطة في الظروف الطبيعية.
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 وصف وضعية شخص لروبوت فنان لكي يتمكن من رسمه بدقة مثالية. يحتاج الروبوت ليس فقط لمعرفة أين يوجد الجسم، بل أيضاً كيف يبتسم الوجه بالضبط، وكيف تومئ اليدان، وكيف تتدلى الأكتاف.
لفترة طويلة، كانت الروبوتات سيئة في هذا الأمر. كان بإمكانها رسم جسم جيد، لكن الأيدي كانت تبدو كالمخالب، والوجوه كانت تبدو كأقنعة جامدة. لماذا؟ لأن الروبوتات القديمة كانت تعامل الجسم كمجموعة من الأجزاء المنفصلة: "هنا وحدة الجسم، وهنا وحدة الوجه، وهنا وحدة اليد". لم تكن هذه الوحدات تتواصل مع بعضها البعض.
يقدم هذا البحث نظاماً جديداً يسمى CoEvoer (يُنطق مثل "كو-إيفو-إير"، وهو اختصار لـ Collaborative Evolution أو التطور التعاوني). فكر فيه كأنه فريق من المحققين الخبراء الذين يحلون لغزاً معاً، بدلاً من العمل في عزلة.
إليك كيف يعمل CoEvoer، مقسماً إلى مفاهيم بسيطة:
1. المشكلة: "الغرفة الصامتة"
تخيل غرفة يحاول فيها ثلاثة أشخاص تخمين ما يفعله شخص ما، لكنهم في غرف عازلة للصوت ومنفصلة.
- الشخص (أ) (الجسم): يرى الجذع.
- الشخص (ب) (الوجه): يرى الرأس.
- الشخص (ج) (اليدان): يرى اليدين.
إذا كان الشخص في الصورة يمسك هاتفاً بجانب أذنه، فإن الشخص (ج) (اليدان) سيرى يداً بالقرب من الرأس. والشخص (ب) (الوجه) سيرى رأساً مائلاً للأسفل. ولكن بما أنهم لا يستطيعون التحدث، فقد يخمن الشخص (ج) أن اليد تلوح فقط، وقد يخمن الشخص (ب) أن الرأس ينظر للأمام مباشرة. لقد فاتهم الرابط: اليد تمسك هاتفاً، لذا يجب أن يكون الرأس مائلاً للأسفل.
نماذج الذكاء الاصطناعي القديمة كانت مثل هؤلاء المحققين الصامتين. لقد حاولوا تخمين الوجه واليدين دون طلب المساعدة من الجسم.
2. الحل: "الطاولة المستديرة" (CoEvoer)
يغير CoEvoer القواعد. فهو يجمع الجميع حول طاولة مستديرة حيث يمكنهم الصراخ بالقرائن لبعضهم البعض فوراً.
- الجسم هو "الأخ الأكبر": الجذع كبير وسهل الرؤية، لذا يعمل كدليل موثوق. إذا كان الجسم يميل لليسار، يخبر "الأخ الأكبر" الوجه واليدين: "مهلاً، نحن نميل لليسار، لذا يجب أن تميلا لليسار أيضاً!".
- الوجه واليدان هما "خبراء التفاصيل": يريان الأشياء الصغيرة والدقيقة. إذا كان الوجه ينظر للأسفل، يخبران الجسم: "مهلاً، الرأس ينظر للأسفل، لذا يجب أن يكون عنقك منحنياً وليس مستقيماً!".
هذا ما يسمى التصحيح المتبادل (Mutual Correction). إذا كانت اليدان مخفيتين خلف الظهر (محجوبتين)، يمكن للجسم أن يقول: "أنا أعلم أن ذراعك تكون عادة هنا، لذا سأخمن مكان يدك بناءً على وضعية كتفي". وإذا كان الوجه ضبابياً، يقول الجسم: "أنا أعلم أنك تنظر إلى الكاميرا، لذا سأساعد في ضبط زاويتك".
3. مرشح "مقدمة الصورة الشخصية" (Portrait Foreground Filter)
أحياناً تكون الصورة غير واضحة. قد يكون الشخص بعيداً، أو الخلفية مزدحمة.
يمتلك CoEvoer أداة خاصة تسمى استخراج مقدمة الصورة الشخصية (Portrait Foreground Extraction). تخيل كشافاً ذكياً يسلط الضوء فقط على الشخص ويتجاهل الخلفية الفوضوية. إنه ينظف الصورة أولاً، حتى لا يتشتت "المحققون" بالأشجار أو السيارات أو الأشخاص الآخرين. هذا يجعل تخميناتهم أكثر دقة.
4. لماذا يعد هذا أمراً هاماً؟
- إنجاز في خطوة واحدة: الطرق القديمة كانت تشبه خط إنتاج المصنع الذي يتكون من خطوات عديدة (الخطوة 1: ابحث عن الجسم، الخطوة 2: قص الوجه، الخطوة 3: التكبير، الخطوة 4: خمن الوجه). كان هذا بطيئاً ومعقداً. أما CoEvoer فيقوم بكل ذلك في خطوة واحدة، مثل طاهٍ ماهر يطهو الوجبة كاملة دفعة واحدة بدلاً من صنعها على مراحل. إنه سريع وفعال.
- تفوق في المهام الصعبة: الأجزاء الأصعب في التخمين هي اليدان (لأن الأصابع صغيرة وملتوية) والوجه (لأن التعبيرات دقيقة). ولأن CoEvoer يسمح للجسم بمساعدة اليدين والوجه، فإنه ينجح في هذه الأجزاء الصعبة بشكل أدق بكثير من الروبوتات السابقة.
- يعمل في الظروف الواقعية: يعمل بشكل رائع حتى في الصور الحقيقية الفوضوية (مثل مكالمات الفيديو أو صور السيلفي) حيث يتحرك الناس، أو يختفون، أو تكون الإضاءة سيئة.
الخلاصة
CoEvoer هو طريقة جديدة للكمبيوتر لفهم الحركة البشرية. بدلاً من معاملة الجسم والوجه واليدين كألغاز منفصلة، فإنه يعاملهم كفريق واحد متصل. ومن خلال السماح للأجزاء السهلة الرؤية (الجسم) بمساعدة الأجزاء الصعبة الرؤية (الوجه واليدين)، والعكس صحيح، فإنه ينشئ نموذجاً ثلاثي الأبعاد أكثر واقعية وطبيعية ودقة للإنسان.
إنه الفرق بين روبوت يرسم شكلاً خطياً بوجه غريب، وروبوت يلتقط جوهر الوضعية، مدركاً تماماً كيف ترتبط الابتسامة بهزة الكتف.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.