🤖 machine learning

Learning from a single labeled face and a stream of unlabeled data

تتناول هذه الورقة تحدي التعرف على الوجه من فئة واحدة باستخدام صورة واحدة مصنفة، وذلك عبر اقتراح خوارزمية غير معلمية تستفيد من تدفق بيانات وفيرة غير مصنفة لتحقيق استدعاء أعلى بكثير مع حالات إيجابية كاذبة تقترب من الصفر مقارنة بالنماذج المرجعية الحالية.

المؤلفون الأصليون: Branislav Kveton, Michal Valko

نُشر 2026-05-01

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Branislav Kveton, Michal Valko

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 تعليم حارس أمن التعرف على شخص محدد (لنسمه "بوب") حتى يتمكن من فتح باب. ولكن هناك عقبة: ليس لديك سوى صورة واحدة فقط لبوب لتريه للحارس.

عادةً، لكي يتعلم الحارس كيف يبدو بوب، ستحتاج إلى مئات الصور: بوب وهو يبتسم، بوب وهو عابس، بوب وهو يرتدي قبعة، بوب تحت المطر. وبدون هذه الصور، قد يخطئ الحارس في التعرف على شخص غريب يشبه بوب قليلاً ويعتبره هو، أو قد يفشل في التعرف على بوب في يوم ذي تسريحة شعر سيئة.

تقدم هذه الورقة البحثية حلاً ذكياً لهذه المشكلة. الأمر يشبه إعطاء الحارس بث فيديو مباشر لشارع مزدحم حيث يمر بوب من هناك بين الحين والآخر، مختلطاً بآلاف الغرباء العشوائيين. الحارس لا يعرف من هم الغرباء، لكنه يعرف من هو بوب.

إليك كيف يعمل أسلوب هذه الورقة، المسمى "تتبع المتشعب عبر الإنترنت" (Online Manifold Tracking - OMT)، مقسماً إلى مفاهيم بسيطة:

١. المشكلة: معضلة "الصورة الواحدة"

معظم أنظمة التعرف على الوجوه تشبه الطلاب الذين يحتاجون إلى دراسة كتاب كامل لاجتياز الاختبار. إذا أعطيتهم صفحة واحدة فقط (صورة واحدة)، فسوف يفشلون. لا يمكنهم تخمين كيف يتغير وجه بوب عندما يبتسم أو يلتفت برأسه لأنهم لم يروا تلك التغييرات من قبل.

٢. الحل: التعلم من الحشود (بدون تسميات)

أدرك المؤلفون أنه بينما لدينا صورة واحدة فقط لبوب، لدينا بث فيديو يظهر العديد من الأشخاص.

الصورة الموسومة: هي "بطاقة الهوية" الخاصة ببوب.
البث غير الموسوم: هو حشد من الناس يسيرون في المكان. نحن لا نعرف من هم، لكننا نعرف أنهم ليسوا بوب (في الغالب).

يستخدم النظام هذا الحشد لتعلم "شكل" وجه بوب. فكر في الأمر كالتالي:
تخيل أن وجه بوب موجود في مساحة ثلاثية الأبعاد. الصورة الوحيدة هي مجرد نقطة واحدة في تلك المساحة. بث الفيديو يظهر لنا سحابة من النقاط. بعض النقاط هي بوب (تشبه الصورة)، وبعضها غرباء (مختلفة تماماً).

مهمة الخوارزمية هي رسم فقاعة حول الصورة الوحيدة لبوب.

إذا وقع وجه جديد من الفيديو داخل الفقاعة، فمن المرجح أن يكون بوب.
إذا وقع خارجها، فمن المرجح أن يكون غريباً.

٣. "الفقاعة الذكية" (تتبع المتشعب عبر الإنترنت)

الفقاعة ليست ثابتة؛ إنها حية وتتنفس. بينما يعمل الفيديو، يقوم النظام بشيئين:
١. التصفية: ينتبه فقط للوجوه التي تبدو تشبه الصورة الأصلية لبوب. إنه يتجاهل الغرباء الواضحين فوراً.
٢. رسم الخرائط: بالنسبة للوجوه التي تشبه بوب، فإنه ينشئ "خريطة" لكيفية تغير وجه بوب. إذا ابتسم بوب في الفيديو، تتوسع الخريطة لتشمل تلك الابتسامة. إذا أدار رأسه، تتمدد الخريطة لتشمل تلك الزاوية.

تسمي الورقة هذا "تتبع المتشعب عبر الإنترنت" (Online Manifold Tracking).

"المتشعب" (Manifold): هو مصطلح رياضي معقد يعني "الشكل" أو "السطح" لجميع الطرق الممكنة التي يمكن أن يبدو بها وجه بوب.
"التتبع" (Tracking): يعني أن النظام يحدث هذا الشكل في الوقت الفعلي مع وصول إطارات الفيديو الجديدة.

٤. "المصرف" (التعامل مع الأخطاء)

هناك جزء معقد في هذا الأمر: ماذا لو بدا شخص غريب مشابهاً جداً لبوب؟ يحتاج النظام إلى طريقة لقول: "هذا يبدو مثل بوب، لكنه بعيد جداً ليكون هو".

أضاف المؤلفون "مصرفاً" (مثل الثقب الأسود) إلى نموذجهم الرياضي.

تخيل مساراً عشوائياً. إذا بدأت من وجه يشبه بوب، فإنك تأخذ خطوات نحو الوجوه المشابهة.
إذا كنت قريباً من بوب، فستتم عملية "الامتصاص" في النهاية بواسطة بوب (وتقول: "نعم، هذا هو!").
إذا كنت بعيداً (غريب)، فإن "المصرف" سيمسك بك قبل أن تصل إلى بوب. هذا يمنع النظام من الارتباك بسبب أشخاص قد يشبهون بوب قليلاً بالصدفة.

٥. النتائج: ما مدى نجاح الأمر؟

اختبر الباحثون هذا على ٤٣ شخصاً مختلفاً باستخدام تسجيلات فيديو.

الإعداد: أعطوا النظام صورة واحدة لكل شخص وبث فيديو لذلك الشخص مختلطاً بالغرباء.
النتيجة: حدد النظام الشخص الصحيح بدقة ٩٠٪ من المرات مع ارتكاب صفر أخطاء تقريباً (إنذارات كاذبة).
المقارنة: كان هذا أفضل بنسبة ١٥٪ من طريقة "Fisherfaces" القياسية (وهي تقنية شائعة للتعرف على الوجوه) عندما تم إعطاؤهما نفس الصورة الوحيدة.

٦. لماذا هذا مهم (وفقاً للورقة البحثية)

لا يحتاج لتدريب ثقيل: على عكس الأنظمة الأخرى التي تحتاج إلى قواعد بيانات ضخمة ليتم تدريبها في المختبر أولاً، يتعلم هذا النظام أثناء العمل. إنه يشبه تعلم ركوب الدراجة أثناء ركوبها بالفعل، بدلاً من قراءة دليل التعليمات أولاً.
سريع: يمكنه معالجة الوجه في حوالي ٠.٠٥ ثانية، وهو سريع بما يكفي للاستخدام في الوقت الفعلي (مثل فتح الهاتف).
مرن: لا يفترض النظام أن بوب سيبدو دائماً بنفس الشكل. فهو يتكيف مع التقدم في السن، أو اللحية، أو التعبيرات، لأنه يتعلم من بث الفيديو نفسه.

ملخص التشبيه

فكر في الطريقة القديمة للتعرف على الوجوه كمحاولة لحفظ لقطة واحدة لصديق للتعرف عليه وسط حشد. من المحتمل أن تفشل إذا ارتد قبعة أو غير تسريحة شعره.

طريقة هذه الورقة تشبه إعطاء صديقك مغناطيساً. تسقط المغناطيس (الصورة الوحيدة) في نهر من الماء (بث الفيديو). المغناطيس يجذب كل برادة الحديد (الوجوه التي تشبه صديقك) ويخلق تجمعاً. حتى لو كانت البرادة مبعثرة أو متحركة، فإن المغناطيس يعرف أي منها ينتمي إلى التجمع وأيها مجرد غبار (غرباء). إنه يبني نموذجاً ديناميكياً وحياً لصديقك بمجرد مراقبة حركته عبر الحشد، دون الحاجة إلى مكتبة من الصور للبدء.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التعلم من وجه واحد مُصنف وتدفق من البيانات غير المُصنفة" للباحثين برانيسلاف كفيتون وميشال فالكو.

1. تعريف المشكلة

تتناول الورقة مشكلة صعبة في التعرف على الوجوه وهي التعرف على الوجه من صورة واحدة مُصنفة لكل شخص، وتحديداً في بيئة العالم المفتوح حيث:

ملصق إيجابي واحد: توجد صورة واحدة فقط لشخص مستهدف محدد تحمل ملصقاً (تصنيفاً).
لا توجد ملصقات سلبية: جميع الأفراد الآخرين في تدفق البيانات غير مُصنفين. لا يمكن للنظام نمذجة الأمثلة "السلبية" (الأشخاص الآخرين) صراحةً لأن مجموعة المنتحلين المحتملين لانهائية وغير معروفة.
تدفق البيانات: يتلقى النظام تدفقاً مستمراً من بيانات الفيديو غير المُصنفة (مثل كاميرا الويب) جنباً إلى جنب مع الصورة الواحدة المُصنفة.
القيود: يجب أن يكون الحل آنياً (يعالج البيانات في الوقت الفعلي)، غير معلمي (لا يضع افتراضات حول توزيع الوجوه)، ومرناً تجاه تغير المفاهيم (التقدم في العمر، التعبيرات، الإضاءة).

يتم صياغة هذا كمسألة تصنيف الفئة الواحدة (One-Class Classification)، حيث الهدف هو تعلم حدود القرار (كرة فائقة/hypersphere) التي تحيط بالفئة المستهدفة مع رفض القيم المتطرفة، دون التدريب الصريح على أمثلة سلبية.

2. المنهجية: تتبع المتشعب الآني (Online Manifold Tracking - OMT)

يقترح المؤلفون خوارزمية تتبع المتشعب الآني (OMT)، وهي خوارزمية غير معلمية تتعلم بنية "متشعب الوجه" (face manifold) فورياً باستخدام تدفق البيانات غير المُصنفة. تتكون الطريقة من مرحلتين رئيسيتين:

أ. تكميم البيانات الآني (تقريب المتشعب)

للتعامل مع تدفق البيانات الذي قد يكون لانهائياً بكفاءة، يستخدم OMT تقنية تجميع k-مركز الآني (Online k-Center Clustering) لتلخيص البيانات.

الوجوه التمثيلية: تحافظ الخوارزمية على مجموعة من $k$ من الوجوه التمثيلية ( $u_t$ ) التي تغطي البيانات المرصودة.
نصف قطر التعميم ( $R$ ): يتم اعتبار الوجه $x_t$ فقط لأغراض التجميع إذا وقع ضمن نصف قطر تعميم $R$ من المثال الواحد المُصنف $x_l$ . يضمن ذلك عدم استقراء النموذج بعيداً جداً في مناطق غير ذات صلة من فضاء الميزات.
التغطية التكيفية: إذا كان الوجه الجديد بعيداً بما يكفي عن جميع الممثلين الحاليين (المسافة $> r$ ، حيث $r$ هو نصف قطر التغطية)، فإنه يُضاف إلى المجموعة. إذا تجاوز حجم المجموعة القيمة $k$ ، يتم مضاعفة نصف قطر التغطية $r$ ، ويُعاد تقسيم الممثلين للحفاظ على مسافة دنيا بينهم.
التعقيد: تضمن هذه الخطوة بقاء حجم النموذج محدوداً ( $O(k)$ ) ولا ينمو مع مرور الوقت.

ب. استنتاج الهوية (المشي العشوائي القائم على الرسم البياني)

بمجرد تكميم البيانات، تستنتج الخوارمة هوية وجه جديد باستخدام المشي العشوائي على رسم بياني (Graph-Based Random Walk).

بناء الرسم البياني: يتكون الرسم البياني من $k$ من الوجوه التمثيلية بالإضافة إلى الوجه الواحد المُصنف ( $x_l$ ).
رأس المصب (Sink Vertex): للتعامل مع غياب الملصقات السلبية، يتم إدخال رأس مصب خاص ( $x_0$ ). يعمل هذا الرأس كجاذب "سلبي". يتم ربط العقد غير المصنفة بـ $x_0$ بوزن $\gamma$ .
احتمالات الامتصاص: تحسب الخوارزمية احتمال أن ينتهي المسار العشوائي الذي يبدأ من وجه غير مصنف $x_t$ $x_{t}$ بالامتصاص عند الوجه المُصنف $x_l$ $x_{l}$ مقابل الامتصاص عند المصب $x_0$ $x_{0}$ .
- إذا تم امتصاص المسار عند $x_l$ ، فمن المرجح أن يكون الوجه هو المستهدف.
- إذا تم الامتصاص عند $x_0$ ، فمن المرجح أن يكون الوجه قيمة متطرفة.
الحل التوافقي (Harmonic Solution): يتم حساب احتمالات الامتصاص في شكل مغلق باستخدام "لابلاسيان التوليف" (combinatorial Laplacian) للرسم البياني:
$f = (L_{uu} + \gamma I_u)^{-1} W_{ul}$
حيث $W$ هي مصفوفة التشابه، و $L$ هو لابلاس، و $\gamma$ يتحكم في عدم التشابه مع المصب.
القرار: يتم تصنيف الوجه كإيجابي إذا تجاوز احتمال امتصاصه عتبة $\epsilon$ .

3. المساهمات الرئيسية

صياغة مبتكرة للمشكلة: صاغت الورقة مسألة التعرف على الوجوه كمسألة تصنيف فئة واحدة في بيئة عالم مفتوح مع مثال واحد مُصنف وتدفق من البيانات غير المُصنفة، معالجةً بذلك نقص الأمثلة السلبية.
تتبع المتشعب الآني (OMT): خوارزمية جديدة تتتبع المتشعب منخفض الأبعاد للوجوه في الوقت الفعلي دون الحاجة إلى تدريب خارج الخط (offline) أو بيانات مُصنفة واسعة النطاق.
التكيف غير المعلمي: لا تضع الطريقة أي افتراضات حول توزيع الوجوه، مما يسمح لها بالتكيف مع التغيرات في التعبيرات والوضعية والتقدم في العمر بشكل طبيعي.
التكامل مع الميزات: يوضح المؤلفون أن OMT ليس بديلاً للميزات التمييزية بل هو طبقة مكملة. يمكن تطبيقه فوق الميزات الموجودة (مثل Fisherfaces) لتحسين الأداء.
الكفاءة: تمتلك الخوارزمية تعقيداً زمنياً ومكانياً محدوداً ( $O(k^3)$ لكل خطوة، مستقل عن الزمن الكلي $t$ )، مما يجعلها مناسبة للتطبيقات في الوقت الفعلي (حوالي 0.05 ثانية لكل وجه).

4. النتائج التجريبية

تم تقييم الطريقة باستخدام مجموعة بيانات VidTIMIT التي تحتوي على 43 شخصاً. تضمن الإعداد إدراج وجوه "متطرفة" عشوائية من أشخاص آخرين في تدفق الفيديو الخاص بالشخص المستهدف لمحاكاة بيئة واقعية ومليئة بالضجيج.

الأداء:
- حققت OMT معدل إيجابي حقيقي (TPR) بنسبة 90% عند معدل إيجابي كاذب (FPR) يقترب من الصفر ( $10^{-4}$ ).
- يمثل هذا تحسناً بنسبة 15% عن Fisherfaces عند نفس معدل FPR.
- تفوقت بشكل كبير على مصنف "أقرب جار واحد" (1-NN) القياسي الذي تم تدريبه على نفس الصورة الواحدة المُصنفة (بزيادة 50% في معدل TPR).
التكافؤ مع التعلم الخاضع للإشراف: كان أداء OMT (المدرب على 1 صورة مُصنفة + بيانات غير مصنفة) مقارباً لأداء مصنف 5-NN المدرب على 5 صور مُصنفة، مما يعني أنها "تعلمت" ما يعادل 4 أمثلة إضافية مُصنفة من التدفق غير المصنف.
المتانة: أظهرت الطريقة أداءً متيناً حتى عندما لم تكن المعلمات (مثل $R$ و $k$ و $\sigma$ ) مضبوطة بدقة.
السرعة: عالج النظام الفيديو في الوقت الفعلي، حيث تعرف على الوجوه في حوالي 0.02 إلى 0.05 ثانية في المتوسط.

5. الأهمية والخاتمة

هذا العمل مهم لأنه يحل عقبة حرجة في التعرف على الوجوه عملياً: عدم القدرة على جمع مجموعات بيانات ضخمة ومُصنفة لكل مستخدم (مثل المصادقة في الأجهزة الشخصية أو أمن المطارات).

العملية: تتيح أنظمة المصادقة الآمنة التي يمكنها تعلم وجه المستخدم من صورة هوية واحدة والتكيف بمرور الوقت باستخدام بث الفيديو الخاص بالمستخدم، دون الحاجة إلى التدريب صراحةً على بيانات "المنتحلين".
الرؤية النظرية: تُظهر أن البيانات غير المُصنفة يمكن استخدامها بفعالية لتعلم هندسة "متشعب الفئة"، حتى في غياب الأمثلة السلبية، وذلك باستخدام تقنيات التعلم شبه الموجه القائمة على الرسم البياني والمكيفة للبيئات الآنية.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع نطاق OMT ليشمل ميزات الوجه المحلية (العينين، الأنف) بدلاً من الصور الشاملة، مما قد يحسن الدقة بشكل أكبر في سيناريوهات الصورة الواحدة.

باختصار، توفر OMT حلاً فعالاً حاسوبياً، ومتيناً، وعالي الدقة للتعرف على الوجه من صورة واحدة في البيئات الديناميكية ذات العالم المفتوح.