Sparse Attention to Emotion: Efficient Facial Emotion Recognition via Token Reduction

تخيل أنك تحاول تخمين ما يشعر به صديق لك بمجرد النظر إلى وجهه. لست بحاجة إلى فحص كل مسام جلده أو عد كل رمش لتعرف ما إذا كان سعيداً أو غاضباً؛ بل تحتاج فقط إلى رصد الإشارات الرئيسية، مثل انحناء الابتسامة أو تجاعيد العين. هذا هو جوهر التعرف على المشاعر من خلال الوجه (FER)، وهو مجال في علوم الحاسوب حيث تتعلم الآلات قراءة المشاعر البشرية. وللقيام بذلك، غالباً ما تستخدم الحواسيب الحديثة أداة قوية تسمى محول الرؤية (Vision Transformer). فكر في "محول الرؤية" كأنه محقق منظم للغاية، يقوم بتقسيم الصورة إلى مئات القطع الصغيرة (تسمى "توكنز" أو رموزاً) ثم يحاول النظر إلى كل قطعة منها في وقت واحد لفهم الصورة الكاملة. ورغم أن هذه الطريقة ذكية للغاية، إلا أن بها عيباً جوهرياً: فالنظر إلى كل قطعة يستغرق قدرة ذهنية ووقتاً هائلين، مما يجعلها ثقيلة وبطيئة للعمل على الأجهزة الصغيرة مثل الهواتف الذكية أو الروبوتات.

هذا يقودنا إلى دراسة جديدة أجراها الباحثون آيا مانيل زيتوني، عائشة زناخري، كريم هارون، ولربي بوبشير من جامعة باريس 8. لقد طرحوا سؤالاً بسيطاً ولكن جريئاً: هل يحتاج الكمبيوتر حقاً للنظر إلى الوجه بأكمله لتخمين شعور ما، أم يمكنه الاكتفاء بالنظر إلى الأجزاء الأكثر أهمية؟ كانت إجابتهم "نعم، يمكنه الاكتفاء بالأقل". فقد طوروا طريقة جديدة تسمى الانتباه المتناثر للمشاعر (SAE). وبدلاً من إجبار الكمبيوتر على التحديق في كل قطعة صغيرة من الوجه، يعمل نظام (SAE) كمحرر ذكي يقوم بسرعة بقص الأجزاء المملة وغير المهمة من الصورة ويحتفظ فقط بـ "نجوم العرض" — العينين، والفم، وأجزاء من الوجنتين. ومن المثير للدهشة أنه حتى عندما تخلصوا من 90% من قطع الصورة، ظل الكمبيوتر يخمن المشاعر بشكل جيد تقريباً مثل الطرق الثقيلة والبطيئة، لكنه فعل ذلك بجهد أقل بكثير.

المشكلة: المفرط في التفكير

تخيل أنك تحاول حل لغز، ولكن بدلاً من البحث عن الإشارات القليلة التي تهم، قررت قراءة كل صفحة في موسوعة مكونة من 500 صفحة. قد تجد الإجابة، لكنك ستصاب بالإرهاق وسيستغرق الأمر منك وقتاً طويلاً جداً. هذا بالضبط ما تفعله نماذج التعرف على الوجه الحالية. فهي تعامل الوجه كشبكة ضخمة من المربعات الصغيرة (الرموز/tokens) وتحاول تحليل العلاقة بين كل مربع وكل مربع آخر. من الناحية الرياضية، هذا يخلق "تعقيداً تربيعياً"، وهي طريقة فنية للقول إنه كلما كبر حجم الصورة، انفجر حجم العمل الذي يتعين على الكمبيوتر القيام به. وهذا يجعل هذه النماذج ثقيلة جداً للعمل على "الحافة" (the edge) — أي الأجهزة الصغيرة اليومية التي نحملها، مثل الهواتف أو الأجهزة القابلة للارتداء.

الحل: المحرر الذكي

افترض الباحثون وراء هذه الورقة البحثية، العاملون في مختبر (LIASD)، أن ليس كل أجزاء الوجه متساوية عندما يتعلق الأمر بالمشاعر. كانوا يعتقدون أن مناطق معينة، مثل العينين والفم، تحمل "المعلومات المميزة" اللازمة لمعرفة ما إذا كان الشخص حزيناً، أو سعيداً، أو غاضباً، بينما بقية الجلد ليست سوى ضجيج خلفية.

ولاختبار ذلك، بنوا نموذجاً يسمى الانتباه المتناثر للمشاعر (SAE). وإليك كيفية عمله، باستخدام تشبيه بسيط:

1. المسح الأولي: ينظر النموذج أولاً إلى الوجه ويقسمه إلى رموز (tokens)، تماماً كما تفعل النماذج الثقيلة.
2. بطاقة التقييم: ثم يطرح "سؤالاً ذكياً" (باستخدام ما يسمى بـ [CLS] token) ليعرف أي أجزاء من الوجه مهمة فعلياً للمشاعر. يقوم بإعطاء درجة لكل رمز بمفرده.
3. عملية الاستبعاد الكبرى: هذا هو الجزء السحري. ينظر النموذج إلى الدرجات ويقول: "حسناً، نحن نحتاج فقط إلى أفضل 10% (أو 30%، أو 60%) من هذه الرموز". يحتفظ بالرموز ذات الدرجات العالية (عادة العينين والفم) ويرمي البقية.
4. خدعة الدمج: ولكن انتظر، لا يمكنك مجرد حذف الأشياء وترك فجوة! إذا حذفت 90% من قطع الأحجية، فإن الصورة ستنهار. لذا، يقوم (SAE) بأخذ جميع القطع المستبعدة، ويمزجها معاً في رمز واحد "مدمج"، ثم يضيف ذلك الرمز الواحد إلى المزيج. الأمر يشبه أخذ كل مشاهد الخلفية المملة، وضغطها في كرة صغيرة واحدة، ثم لصقها بجانب صورتك الرئيسية. الآن لديك التفاصيل المهمة بالإضافة إلى ملخص صغير للباقي، لكنك تقوم بالعمليات الحسابية الثقيلة فقط على الأجزاء المهمة.

النتائج: عمل أقل، ذكاء مماثل

اختبر الفريق هذه الفكرة على مجموعة بيانات ضخمة تسمى RAF-DB، والتي تحتوي على صور واقعية لأشخاص يظهرون سبعة مشاعر مختلفة: المفاجأة، الخوف، الاشمئزاز، الغضب، الحياد، الحزن، والسعادة. وقارنوا طريقتهم الجديدة بأفضل الأساليب الموجودة.

كانت النتائج فعالة بشكل مذهل. وجد الباحثون أن:

• عند الاحتفاظ بـ 90% من الرموز (حذف 10% فقط): كان أداء النموذج تنافسياً، حيث طابق النماذج الضخمة.
• عند الاحتفاظ بـ 60% من الرموز (حذف 40%): وصلت الدقة إلى 91.17%، وظلت منافسة بقوة للأساليب الحديثة القائمة على المحولات (transformers).
• عند الاحتفاظ بـ 30% من الرموز (حذف 70%): ظل النموذج قوياً بدقة بلغت 91.00%.
• عند الاحتفاظ بـ 10% فقط من الرموز (حذف 90%): حتى عندما تخلصوا من 90% من بيانات الصورة، ظل النموذج يحقق دقة بلغت 91.13%.

لوضع ذلك في السياح، فإن أكثر الأساليب المتقدمة الموجودة حالياً (مثل S2D* أو BTN) تصل عادةً إلى ذروة دقة تقارب 92.57%. وبينما تعتبر أعلى درجة لـ (SAE) وهي 91.17% أقل قليلاً من الذروة المطلقة للنماذج الأثقل، إلا أن المقايضة هائلة. فمن خلال التخلص من ما يصل إلى 90% من الرموز، يقلل (SAE) التكلفة الحسابية بنسبة تصل إلى 90%.

تجادل الورقة صراحة ضد فكرة أننا بحاجة إلى "معلومات وجه كاملة" للتعرف على المشاعر. فهم يظهرون أن نهج "الصورة الكاملة" غير فعال، وأن التركيز على مناطق محددة ومميزة ليس مجرد اختصار، بل هو طريقة أذكى للعمل.

لماذا يهم هذا؟

جمال هذا الاكتشاف هو أنه لا يتطلب حاسوباً خارقاً للعمل. من خلال إثبات أنه يمكننا التخلص من 90% من البيانات دون فقدان الكثير من الدقة، أظهر الباحثون مساراً لجعل التعرف على مشاعر الوجه خفيفاً بما يكفي للعمل على "الحافة" (the edge). وهذا يعني أن التطبيقات المستقبلية يمكن أن تعمل على هاتفك، أو ساعتك الذكية، أو حتى روبوت صغير، لتفهم فوراً كيف تشعر دون استنزاف بطاريتك أو الحاجة إلى اتصال سحابي.

يخلص المؤلفون إلى أن طريقتهم، الانتباه المتناثر للمشاعر (SAE)، هي حل قوي وفعال. وهي تشير إلى أنه بالنسبة لمهمة قراءة المشاعر تحديداً، فإن "الأقل هو الأكثر" في كثير من الأحيان. فمن خلال السماح للكمبيوتر بتجاهل الضجيج والتركيز على الإشارة، يمكننا بناء تكنولوجيا أسرع، وأرخص، وأكثر سهولة في الوصول إليها، تفهم المشاعر البشرية.