💻 computer science

Appearance-Invariant Detection of Suggestive Motion via Laban Movement Descriptors on SMPL Skeletons

تقدم هذه الورقة مساراً لتصنيف الحركة غير المتأثر بالمظهر يستخدم واصفات تحليل حركة لابان (Laban Movement Analysis) على هياكل SMPL للكشف بفعالية عن الحركات الإيحائية والصريحة في البيئات الافتراضية، محققةً دقة عالية في التمييز بين مستويات الحركة اليومية، والفنية، والإيحائية، والصريحة.

المؤلفون الأصليون: Jaehoon Ahn, Jeonghan Kong, Moon-Ryul Jung

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jaehoon Ahn, Jeonghan Kong, Moon-Ryul Jung

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 رصد حركة رقص "خطيرة" في غرفة مزدحمة. عادةً، تبحث كاميرات المراقبة (أو الذكاء الاصطناعي) عما يرتديه الناس. إذا كان شخص ما يرتدي ملابس ضيقة، فإن الذكاء الاصطناعي يطلق الإنذار. ولكن ماذا لو أدى نفس حركات الرقص الخطيرة شخص يرتدي زيًا ضخمًا وفضفاضًا؟ سيفشل الذكاء الاصطناعي القديم تمامًا في رصدها لأنه يركز بشدة على الملابس، وليس على الرقصة نفسها.

تقدم هذه الورقة البحثية طريقة جديدة لكشف الحركة "المثيرة للجدل" تتجاهل الملابس، وشكل الجسم، وحتى لون البشرة تمامًا. بدلاً من ذلك، هي "تستمع" إلى الرقصة نفسها.

إليك تفصيل نهجهم باستخدام تشبيهات بسيطة:

1. المشكلة: "النقطة العمياء للملابس"

أنظمة الذكاء الاصطناعي الحالية تشبه حراس الأمن الذين يكتفون بفحص الهويات فقط. إذا كانت "الهوية" (زي الشخصية الرمزية/الأفاتار) تبدو آمنة، فإنهم يسمحون للشخص بالدخول، حتى لو كان يؤدي رقصة خطيرة. اختبر المؤلفون ذكاءً اصطناعيًا فائق القدرة (Qwen3-VL) ووجدوا أنه إذا أخفيت الملابس وأظهرت الهيكل العظمي فقط (عظام رجل العصا)، فإن الذكاء الاصطناعي يصاب بالارتباك. لا يمكنه التمييز بين المشي العادي والرقص المثير للجدل.

2. الحل: "مدرب الرقص" (تحليل لابان للحركة)

قرر المؤلفون استخدام نظرية رقص قديمة تسمى تحليل لابان للحركة (LMA). فكر في هذا كـ "لغة عالمية" لوصف كيفية تحرك الجسد، وليس ماذا يبدو عليه.

لقد ترجموا نظرية الرقص هذه إلى رياضيات. قاموا بتفكيك الحركة إلى أربعة "نكهات" رئيسة (عوامل الجهد):

التدفق (Flow): هل الحركة مقيدة ومشدودة (Bound) أم حرة وانسيابية (Free)؟
المساحة (Space): هل الحركة تتجه مباشرة نحو نقطة معينة (Direct) أم تلتف حول دوائر (Indirect)؟
الزمن (Time): هل هي حركة مفاجئة وخاطفة (Sudden) أم حركة ممتدة وبطيئة (Sustained)؟
الوزن (Weight): هل الحركة ثقيلة وقوية أم خفيفة ورقيقة؟

التشبيه: تخيل وصف رقصة ليس بقولك "هو يرتدي سروالًا قصيرًا"، بل بقولك "إنه يتحرك بضربات ثقيلة، ومفاجئة، ومباشرة". هذه هي اللغة التي استخدموها.

3. التجربة: فرز ساحة الرقص

جمعوا مجموعة ضخمة من مقاطع الفيديو (أكثر من 17 ساعة) وصنفوها إلى أربعة "مستويات" من الرقص:

المستوى 0 (يومي): المشي، الجلوس، الأكل. (حركات وظيفية مملة).
المستوى 1 (فني): رقص البريك دانس، الباليه، الجمباز. (حركات رائعة وعالية الطاقة).
المستوى 2 (مثير للجدل): رقصات مثل "التويركين" (Twerking)، الرقص الحسي. (حركات "المنطقة الرمادية").
المستوى 3 (صريح): محتوى إباحي واضح.

قاموا بتجريد جميع بكسلات الفيديو (الصور الفعلية) وغذوا الكمبيوتر فقط ببيانات الهيكل العظمي (الإحداثيات ثلاثية الأبعاد للمفاصل). ثم طلبوا من نموذج رياضي بسيط (الانحدار اللوجستي - Logistic Regression) تصنيف هذه المقاطع باستخدام واصفات "لابان" للرقص.

4. النتائج: تعلم الذكاء الاصطناعي الإيقاع

حتى بدون رؤية أي بشرة أو ملابس، كان النظام جيدًا بشكل مفاجئ في تخمين الفئة:

الفحص الثنائي (آمن مقابل غير آمن): كانت دقة النظام 79% في التمييز بين "الآمن" (المستوى 0 و1) و"غير الآمن" (المستوى 2 و3).
الصراع في "المنطقة الرمادية": واجه النظام صعوبة في التمييز بين "الفني" (المستوى 1) و"المثير للجدل" (المستوى 2). وهذا منطقي! فكلاهما يتضمن طاقة عالية ورقصًا مستمرًا. لقد ارتبك الذكاء الاصطناعي بنسبة 24% هنا، وهو أمر متوقع لأن الأسلوب متشابه، حتى لو كانت النية مختلفة.
الأطراف القصوى: كان النظام بارعًا جدًا في رصد المشي "اليومي" (المستوى 0) والحركات "الصريحة" (المستوى 3).

5. لحظة "وجدتها!": مفارقة "المباشرة"

كانت النتيجة الأكثر إثارة للاهتمام تتعلق بـ "المباشرة" (Directness).

الحركة الطبيعية/الوظيفية (مثل المشي إلى الثلاجة) هي حركة مباشرة (Direct). أنت تنتقل من النقطة (أ) إلى النقطة (ب) في خط مستقيم.
الحركة المثيرة للجدل هي حركة غير مباشرة (Indirect). ترسم المفاصل مسارات ملتوية، دائرية، أو دائرية متكررة. الأمر يشبه أن الجسد يقوم بـ "عرض" نفسه بدلًا من "الذهاب" إلى مكان ما.

تعلم الذككاء الاصطناعي أنه إذا كان الهيكل العظمي يتحرك في خطوط مستقيمة وفعالة، فمن المرجح أن يكون آمناً. أما إذا كان الهيكل العظمي يرسم حلقات معقدة وملتوية، فمن المرجح أن تكون الحركة مثيرة للجدل. أكد هذا نظرية الرقص: التحول من "الوظيفي" إلى "المثير للجدل" هو عبارة عن الانتقال من الحركة المباشرة إلى الحركة غير المباشرة.

الملخص

تثبت الورقة البحثية أنك لست بحاجة للنظر إلى جسد الشخص أو ملابسه لتعرف ما إذا كانت الرقصة غير لائقة. كل ما تحتاجه هو "الاستماع" إلى هندسة الحركة. من خلال ترجمة نظرية الرقص إلى رياضيات، بنوا نظامًا يمكنه رصد الحركة "المثيرة للجدل" بمجرد مراقبة رقص الهيكل العظمي (رجل العصا)، بغض النظر عما يرتديه "الأفاتار".

ملخص تقني: الكشف عن الحركة الإيحائية غير المرتبط بالمظهر عبر واصفات "لابان" للحركة على هياكل SMPL

بيان المشكلة

تعتمد مراقبة المحتوى في البيئات الافتراضية ثلاثية الأبعاد (مثل VRChat وRoblox) حاليًا بشكل كبير على تحليل مستوى البكسل للكشف عن المحتوى غير اللائق. ويخلق هذا النهج نقطة عمياء كبيرة: حيث تتعلم المصنفات تحديد الملابس الكاشفة، أو التعرض للجلد، أو أشكال الجسم، بدلاً من تحديد الحركة نفسها. وبناءً على ذلك، تفشل النماذج متعددة الوسائط المتطورة (مثل Qwen3-VL) في تصنيف الحركة الإيحائية عند تقديم تصورات تعتمد على الهيكل العظمي فقط. ويفترض المؤلفون أن نظام المراقبة القوي لدرجة إيحاء الحركة يجب أن يعمل على ديناميكيات الحركة بشكل مستقل عن المظهر، لمعالجة الفجوة حيث تستمر الحركة غير المشروعة رغم وجود شخصيات (avatars) بصرية "آمنة".

المنهجية

خط الإنتاج المقترح هو نظام تصنيف يعتمد على الحركة فقط، يقوم باستخراج واصفات نوعية لديناميكيات الحركة من مسارات هيكل SMPL، مع التخلص تمامًا من بيانات البكسل.

1. بناء البيانات

قام المؤلفون ببناء مجموعة بيانات متوازنة مكونة من أربعة مستويات ترتيبية تضم 20,514 قطعة حركية (تمتد عبر أكثر من 17 ساعة من الفيديو) مشتقة من 1,788 فيديو:

المستوى 0 (يومي): المشي، الجلوس، تناول الطعام (من مجموعة Kinetics-700).
المستوى 1 (فني): رقص البريك دانس، الباليه، الكابويرا، الجمباز (من مجموعة Kinetics-700).
المستوى 2 (إيحائي): رقص التويرك (Twerking)، الرقص الكاريبي (Dancehall)، الباتشاتا الحسية، رقص الكعب العالي، وفيديوهات المعجبين (Fancams) لفرق الكيبوب (من TikTok/YouTube).
المستوى 3 (صريح): مشتق من مجموعة NPDI الأكاديمية.

2. استخراج الهيكل العظمي

يتم معالجة الفيديو الخام عبر خط إنتاج يتخلص من إطارات RGB:

التصفية: يقوم نموذج YOLO11x-pose بتصفية الإطارات للاحتفاظ فقط بتلك التي تحتوي على $\ge$ 10 نقاط مفصلية مرئية بدقة ثقة $\ge$ 0.5.
التقسيم: يتم استخراج مقاطع مستمرة تزيد مدتها عن 3 ثوانٍ.
إعادة البناء: يقوم نموذج WHAM (حركة الإنسان في الفضاء العالمي) باستنتاج مواضع مفاصل SMPL في الفضاء العالمي لكل إطار، بما في ذلك تقدير تلامس الأرض.

3. استخراج الميزات (تحليل حركة لابان - Laban Movement Analysis)

الابتكار الجوهري هو تشغيل إطار عمل "الجهد" (Effort) الخاص برودولف لابان في 55 واصفًا قابلًا للحساب لكل إطار، مقسمة إلى خمس فئات:

الانتشار (Dispersion): مدى وصول الأطراف والمسافات بين المفاصل.
الجهد (Effort): التدفق (Flow)، الفضاء (Space)، الزمن (Time)، والوزن (Weight).
كينماتيكا لكل مفصل: التسارع، الارتجاج (Jerk)، الطاقة الحركية، السرعة، والمباشرة لـ 6 مفاصل محددة.
البداية (Initiation): تحديد المفصل القائد.
المسار (Trajectory): طول المسار، الانحناء، والإزاحة.

يتم تجميع هذه الميزات لكل إطار في متجه ذي 110 بُعد لكل قطعة حركية باستخدام المتوسط والانحراف المعياري لكل ميزة.

4. التصنيف

يستخدم النظام مصنفات الانحدار اللوجستي والغابة العشوائية (Random Forest) المدربة باستخدام التحقق المتقاطع خماسي الطيات (5-fold cross-validation) على مجموعة البيانات المتوازنة. تمت صياغة المهمة بثلاث طرق:

ثنائي: آمن للعمل (SFW) مقابل غير آمن للعمل (NSFW).
ثلاثي: يومي/فني مقابل إيحائي مقابل صريح.
رباعي: التسلسل الهرمي الترتيبي الكامل (يومي، فني، إيحائي، صريح).

النتائج الرئيسية

الدقة: حقق نموذج الانحدار اللوجستي:
- دقة ثنائية بنسبة 78.7% (SFW/NSFW)، وهو ما يتفوق بشكل كبير على خط الأساس بنسبة 50%.
- دقة ثلاثية بنسبة 72.1% (خط الأساس 33%).
- دقة رباعية بنسبة 57.3% (خط الأساس 25%).
أنماط الارتباك: تتركز الأخطاء بين المستويات المتجاورة. وتحديدًا، فإن الحد الفاصل بين المستوى 1 (الفني) والمستوى 2 (الإيحائي) هو الأكثر صعوبة في التمييز، حيث تم تصنيف 24% من قطع المستوى 1 كأنها من المستوى 2، و20% من قطع المستوى 2 كأنها من المستوى 1. كلا المستويين يتضمنان رقصًا مستمرًا عالي الطاقة ولكنهما يختلفان في جودة "الجهد".
الاسترداد في الأطراف القصوى: تم استرداد أطراف التصنيف (المستوى 0 والمستوى 3) بوضوح بنسب استدعاء بلغت 66% و64% على التوالي.
أهمية الميزات:
- الفضاء (المباشرة): هي أهم مميز في التصنيف الثنائي. تتميز الحركة اليومية بمباشرة عالية (حركة وظيفية)، بينما تظهر الحركة الإيحائية مباشرة منخفضة (مسارات غير مباشرة ودائرية تهدف إلى "العرض" بدلاً من "التنقل").
- التدفق، الزمن، الوزن: تحمل هذه العوامل أيضًا إشارات تمييزية عبر جميع مستويات التصنيف، مما يؤكد فائدة جميع أعمدة "الجهد" الأربعة في لابان.

المساهمات

تطبيق جديد لتحليل حركة لابان (LMA): أول تطبيق لواصفات تحليل حركة لابان، التي تم التحقق من صحتها سابقًا في التعرف على أساليب الرقص، لمهمة تصنيف الحركة على طول تدرج الإيحاء. يستخدم هذا التطبيق نموذج WHAM لتقدير تلامس الأرض والهياكل العظمية ثلاثية الأبعاد بشكل مشترك.
التحقق الحسابي من LMA: أدلة تجريبية تثبت أن جميع عوامل جهد لابان الأربعة (التدفق، الفضاء، الزمن، الوزن) تحمل إشارة تمييزية عبر مهام التصنيف الثنائية والثلاثية والرباعية.
قواعد أساسية غير مرتبطة بالمظهر: وضع حدود أداء دنيا للمراقبة القائمة على المظهر فقط، مما يثبت إمكانية اكتشاف الحركة الإيحائية حتى عند إزالة المظهر تمامًا، أو الملابس، أو شكل الجسم.

الأهمية والادعاءات

يدعي البحث أن إيحاء الحركة هو خاصية جوهرية لديناميكيات الهيكل العظمي، يمكن اكتشافها حتى عند إزالة المظهر تمامًا. تكمن الأهمية في قابلية التدقيق في النظام: فخلافًا لنماذج التعلم العميق "الصندوق الأسود"، تمتلك ميزات LMA أسماء محددة ومعانٍ كوريغرافية (تصميم حركي) متجذرة في نظرية الرقص التي تمتد لقرن من الزمان. وهذا يسمح بتفسير شفاف لسبب وسم حركة معينة (على سبيل المثال، "مباشرة منخفضة" أو "تدفق حر").

يشير المؤلفون إلى أنه بينما يحدد دقة 57.3% للمهمة الرباعية حدًا أدنى للأداء، فإن الارتباك بين الحركة الفنية والإيحائية يشير إلى أن الإحصاءات الملخصة الحالية (المتوسط/الانحراف المعياري) تتجاهل الديناميكيات الزمنية الضرورية. ويقترحون أن نماذج التسلسل المستقبلية (مثل MotionBERT) المدمجة مع واصفات LMA قد تحسن الفصل مع الحفاظ على القابلية للتفسير. ويخلص العمل إلى أن خط الإنتاج الذي يعتمد على الحركة فقط هو جزء حيوي وضروري للجيل القادم من مراقبة المحتوى في البيئات الافتراضية ثلاثية الأبعاد.