SGAP-Gaze: Scene Grid Attention Based Point-of-Gaze Estimation Network for Driver Gaze
تقدم هذه الورقة البحثية SGAP-Gaze، وهي شبكة مبتكرة لتقدير نقطة التحديق تدمج ملامح وجه السائق مع سياق مشهد المرور عبر آلية انتباه قائمة على نموذج المحولات (Transformer)، محققةً دقة هي الأفضل في مجالها على مجموعة بيانات مرجعية جديدة (UD-FSG) من خلال تقليل متوسط خطأ البكسل بشكل كبير مقارنة بالنماذج الحالية.
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
الصورة الكبيرة: لماذا نحتاج إلى هذا؟
تخيل أنك تقود سيارة عبر مدينة صاخبة وفوضوية. السيارات تتماوج وتدخل في المسارات، ومركبات "الريكشا" تقطع المسارات، والمشاة يخطون من على الأرصفة. لكي تبقى آمناً، لا تكتفي بالنظر للأمام مباشرة؛ بل تقوم باستمرار بمسح محيطك.
المشكلة: أنظمة "مراقبة السائق" الحالية (الكاميرات الموجودة داخل السيارات التي تتحقق مما إذا كنت نائماً أو تستخدم هاتفك) تشبه حارس أمن ينظر إليك أنت فقط. هم يعرفون ما إذا كانت عيناك مغمضتين أو إذا كنت تنظر إلى هاتفك، لكنهم لا يعرفون ما الذي تنظر إليه بالفعل في حركة المرور بالخارج. لا يعرفون ما إذا كنت تراقب طفلاً على وشك الركض في الشارع أو مجرد تحدق في لوحة إعلانية.
الحل: تقدم هذه الورقة البحثية نظاماً جديداً يسمى SGAP-Gaze. إنه يشبه منح حارس الأمن منظاراً (Binoculars) ينظر إلى الطريق، وعدسة مكبرة تنظر إلى عينيك، ثم يدمج هذين المنظورين لتخمين المكان الذي يتركز فيه انتباهك بالضبط على الطريق.
المكونات: "وصفة" جديدة للبيانات
لتعليم الكمبيوتر القيام بذلك، فأنت بحاجة إلى كتاب طبخ ضخم من الأمثلة. أنشأ المؤلفون مجموعة بيانات جديدة تسمى UD-FSG (Urban Driving-Face Scene Gaze - نظرة مشهد وجه القيادة في المناطق الحضرية).
- الطريقة القديمة: معظم مجموعات البيانات السابقة كانت تشبه التقاط صور في موقف للسيارات. كانت السيارة متوقفة، وحركة المرور بسيطة، والإضاءة مثالية.
- الطريقة الجديدة (UD-FSG): قاد المؤلفون سيارة خاصة في مدينة حقيقية وفوضوية (كانبور، الهند). وسجلوا ما يلي:
- وجهك: كاميرا داخلية تنظر إليك.
- الطريق: كاميرا خارجية تنظر إلى حركة المرور.
- الحقيقة: ارتدى السائقون نظارات خاصة (أجهزة تتبع حركة العين) أخبرت الكمبيوتر بالضبط أين كانت عيونهم تنظر.
فكر في مجموعة البيانات هذه كأنها فيلم متزامن حيث تعرض كل إطار وجه السائق، والطريق أمامه، و"نقطة حمراء" توضح بالضبط المكان الذي ينظر إليه السائق. هذه هي المرة الأولى التي يتم فيها توفير مثل هذه المجموعة الضخمة من البيانات الواقعية والفوضوية.
كيف يعمل النظام: خط سير "المحقق"
يعمل نموذج الذكاء الاصطناعي (SGAP-Gaze) مثل محقق يحل لغزاً. هو لا يخمن فحداً؛ بل يجمع الأدلة من ثلاثة مصادر مختلفة ويدمجها.
1. جامعو الأدلة (استخراج الميزات)
- دليل الوجه: ينظر النظام إلى وجه السائق ليرى وضعية رأسه العامة.
- دليل العين (السلاح السري): يقوم بتكبير العين ويركز تحديداً على القزحية (الجزء الملون). ويستخدم خدعة رياضية خاصة (وزن غاوسي - Gaussian weight) ليقول: "مهلاً، القزحية هي الجزء الأهم! لنعطِ اهتماماً إضافياً لها ونتجاهل الجزء الأبيض من العين".
- دليل المشهد: ينظر إلى الطريق. هو لا يرى مجرد كتلة ضبابية؛ بل يقسم صورة الطريق إلى شبكة 7×7 (مثل لوحة إكس أو-أو). ويقوم بتحليل ما يحدث في كل مربع من هذه الشبكة.
2. عقل المحقق (المحول والاهتمام - Transformer & Attention)
هذا هو الجزء الأروع. يستخدم النظام آلية تسمى "الاهتمام" (Attention)، وهي تشبه المعلم في الفصل الدراسي الذي يركز على طالب معين.
- "متجه نية النظرة" (Gaze Intent Vector) (وهو ملخص لما يقوله وجه السائق وعيناه) يعمل بمثابة المعلم.
- "شبكة المشهد" (Scene Grid) (الأربعة والأربعون مربعاً للطريق) تعمل بمثابة الطلاب.
- يسأل المعلم الشبكة: "أي منكم ينظر إليه السائق؟"
- تحصل مربعات الشبكة التي تتطابق مع حركة عيني السائق على "درجة اهتمام" عالية. ثم يحسب النظام متوسط موقع تلك المربعات ذات الدرجات العالية لتحديد البقعة الدقيقة على الطريق.
التشبيه: تخيل أنك في غرفة مزدحمة (شبكة المشهد). يشير صديقك (السائق) بشكل عام نحو اتجاه ما. بدلاً من التخمين في الغرفة بأكملها، ينظر النظام إلى عينيه ورأسه، ثم يسأل الأشخاص في الغرفة: "إلى من ينظر؟". ثم يرسم النظام دائرة حول الشخص الذي حصل على أكبر قدر من "الاهتمام".
النتائج: هل نجح الأمر؟
اختبر المؤلفون محققهم الجديد ضد أفضل المحققين الحاليين (النماذج المتطورة).
بطاقة النقاط: قاموا بقياس "خطأ البكسل" (Pixel Error). تخيل أن الطريق عبارة عن شاشة عملاقة. إذا خمن النظام المكان الخاطئ، فكم يبعد عدد البكسلات عن الحقيقة؟
- النماذج القديمة: كانت ترتكب أخطاءً تبعد حوالي 137 بكسل عن الحقيقة.
- SGAP-Gaze: ارتكب أخطاءً تبعد 105 بكسل فقط.
- الفوز: هذا يمثل تحسناً بنسبة 23.5%. إنها قفزة هائلة في الدقة.
الحالات "الطرفية": السحر الحقيقي حدث عند أطراف الشاشة (زوايا الزجاج الأمامي). معظم الأنظمة ترتبك عندما ينظر السائقون يساراً أو يميناً. كان SGAP-Gaze أفضل بكثير في التعامل مع هذه النظرات الجانبية الصعبة، والتي تعد في الواقع الأكثر أهمية لتجنب الحوادث.
لماذا هذا مهم؟
في الماضي، كانت أنظمة سلامة السيارات تشبه مراقب النوم. كان بإمكانها إخبارك ما إذا كنت ستنام.
أما هذا النظام الجديد فهو مثل مدرب الوعي بالموقف. يمكنه إخبارك: "أنت تنظر إلى هاتفك، وليس إلى السيارة التي تندمج أمامك"، أو "أنت تنظر إلى اللوحة الإعلانية، ولكن طفلاً قد خطا للتو من على الرصيف".
من خلال الجمع بين كيف يبدو السائق وما يراه السائق، تخلق هذه التكنولوجيا طريقة أكثر أماناً وذكاءً لمراقبة السائقين في العالم الحقيقي الفوضوي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.