STEP: Score-Based Temporal Energy for Human Pose Video Anomaly Detection
تقدم الورقة البحثية إطار عمل STEP، وهو إطار عمل خفيف الوزن يعزز الكشف عن الشذوذ في الفيديو القائم على الهيكل العظمي من خلال إسقاط تسلسلات الوضعية في فضاء مُبيّض باستخدام تحليل المكونات الرئيسية (PCA) لضمان حقن ضجيج منطقي فيزيائياً للنوافذ الزمنية الأطول، ودمج التوزين القائم على الثقة للتخفيف من أخطاء تقدير الوضعية، محققاً أداءً هو الأفضل حالياً في معايير UBnormal وShanghaiTech.
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
في المساحات المزدحمة بالحياة المعاصرة — من أرضيات المصانع، والشوارع المكتظة، إلى مرافق الرعاية — تظل مراقبة المشاكل مهمة مستمرة ومجهدة. تلتقط الكاميرات تدفقات لا تنتهي من الحركة، لكن العيون البشرية لا يمكنها مراقبة كل إطار دون أن تفوتها سقطة، أو عراك، أو حادث مفاجئ. لعقود من الزمن، حاول العلماء تعليم الحواسيب رصد هذه اللحظات النادرة والخطيرة تلقائيًا. التحدي فريد من نوعه: لكي يتعرف الجهاز على شيء خاطئ، يجب عليه أولاً أن يتعلم كيف يبدو الشيء "الصحيح". وبما أن الأحداث الخطيرة نادرة وغير متوقعة، يقوم الباحثون بتدريب أنظمتهم فقط على السلوك الطبيعي اليومي، آملين أن يتعلم الحاسوب إيقاع السلامة جيدًا لدرجة أن أي كسر في ذلك الإيقاع يصرخ طلبًا للانتباه.
لسنوات، كانت الطريقة الأكثر موثوقية للقيام بذلك هي تجريد العالم من الفوضى البصرية — الملابس، والإضاءة، والخلفية — والتركيز فقط على الهيكل العظمي لجسم الإنسان. فمن خلال تتبع مواضع المفاصل مثل المرفقين والركبتين، تستطيع الخوارزميات رؤية الهندسة النقية للحركة. يحمي هذا النهج الخصوصية ويتجاهل المشتتات، لكنه اصطدم بحائط مسدود. فعندما حاول الباحثون تعليم هذه الأنظمة فهم تسلسلات طويلة من الحركة عن طريق إضافة ضجيج عشوائي إلى البيانات — وهي تقنية تُستخدم لمساعدة الحواسيب على تعلم الأنماط — انهارت الهياكل العظمية. كان الضجيج العشوائي يلتوي بالأطراف في زوايا مستحيلة، مما يكسر قوانين الفيزياء ويربك الحاسوب. كان النظام يقضي طاقته في تعلم كيفية إصلاح العظام المكسورة بدلاً من تعلم كيفية رصد شخص يركض في الاتجاه الخاط.
لقد وجد فريق من الباحثين في جامعة غراتس للتكنولوجيا والجامعة الطبية في غراتس طريقة لإصلاح هذا الأساس المكسور. فقد طوروا طريقة جديدة تسمى STEP، تعمل كمرشح (فلتر) للبيانات قبل أن يحاول الحاسوب التعلم منها. فبدلاً من تغذية نظام التعلم بإحداثيات المفاصل الخام والمتذبذبة مباشرة، يقومون أولاً بترجمة الحركة إلى مساحة رياضية مدمجة تكون قواعد التشريح البشري محفورة فيها مسبقًا. تخيل أخذ رقصة معقدة وملتوية واختزالها إلى بعض الخطوط البسيطة والناعمة التي تلتقط جوهر الحركة دون التذبذب. في هذه المساحة الجديدة، عندما يضيف الباحثون الضجيج العشوائي الضروري لمساعدة الحاسوب على التعلم، لا يكسر الضجيج الهيكل العظمي. بدلاً من ذلك، فإنه يدفع الحركة بلطف، مما يخلق تنوعات لا تزال ممكنة فيزيائيًا، مثل شخص يمشي بشكل أسرع قليلاً أو يلتف بزاوية أوسع قليلاً.
يسمح هذا التحول للحاسوب ببناء صورة أكثر وضوحًا لما يبدو عليه السلوك الطبيعي بمرور الوقت. اختبر الباحثون نظامهم على مجموعتي بيانات رئيسيتين: إحداهما تحتوي على لقطات من العالم الحقيقي لأشخاص في مشاهد مختلفة، والأخرى مكونة من فيديوهات مولدة حاسوبيًا واقعية للغاية مع تسميات دقيقة للأنماط الشاذة. كانت النتائج مذهلة؛ ففي مجموعة البيانات الاصطناعية، حدد نظامهم السلوك الشاذ بنسبة 90.1% من الوقت، وهي قفزة كبيرة عن أفضل الطرق السابقة. وفي مجموعة بيانات العالم الحقيقي، طابق أداء أكثر الأنظمة المتقدمة الموجودة، مما أثبت أنه يعمل حتى عندما يكون الفيديو فوضويًا أو زوايا الكاميرا صعبة.
والأهم من ذلك، أن النظام ذكي بشأن حدوده الخاصة. فالكاميرات والبرامج المستخدمة لتتبع الناس في الواقع ليست مثالية؛ إذ قد تفقد أحيانًا تتبع الشخص أو ترتبك بسبب الظلال والضبابية. تتضمن الطريقة الجديدة فحصًا مدمجًا للثقة؛ فإذا كان برنامج التتبع غير متأكد من موقع مفصل ما، يقوم النظام تلقائيًا بخفض وزن تلك المعلومة، مما يمنع حدوث خلل لحظي من أن يُفهم خطأً على أنه حدث خطير. وهذا يجعل الكاشف قويًا ضد الأخطاء الحتمية في مراقبة العالم الحقيقي.
كفاءة النظام مثيرة للإعجاب بقدر دقته. نظرًا لأن الطريقة انسيابية للغاية، يمكنها معالجة حركات خمسين شخصًا في إطار واحد في أقل من ميلي ثانية واحدة. تعني هذه السرعة أنه يمكن تشغيله في الوقت الفعلي على أجهزة قياسية، مما يترك الحاسوب حرًا للقيام بالعمل الثقيل المتمثل في إيجاد المفاصل في المقام الأول. يرى الباحثون أنه من خلال التركيز فقط على هندسة الحركة وتطهير البيانات قبل التعلم، فقد حلوا مشكلة جوهرية ظلت تلازم هذا المجال لسنوات. لقد أثبتوا أنك لست بحاجة لرؤية وجه الشخص أو ملابسه لتعرف ما إذا كان في ورطة؛ بل تحتاج فقط إلى فهم شكل حركته، بشرط أن يُسمح لهذا الشكل بالتنفس دون أن ينكسر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.