Discriminative Micro-Action-Aware Joint Amplifier for Skeleton-Based Action Recognition

يعد التعرف على حركة الإنسان فرعاً من فروع الرؤية الحاسوبية المخصص لتعليم الآلات كيفية فهم ما يفعله الأشخاص بمجرد مراقبة حركتهم. ولعقود من الزمن، اعتمد الباحثون على كاميرات الفيديو لالتقاط هذه اللحظات، لكن البيانات الناتجة غالباً ما تكون مشوشة بسبب تغيرات الإضاءة، والخلفيات المزدحمة، والزوايا المتغيرة. ولحل هذه المشكلة، اتجه العلماء إلى بيانات الهيكل العظمي (skeleton data)، وهي تمثيل مبسط يختزل جسم الإنسان إلى سلسلة من النقاط المتصلة، أو المفاصل، التي تطفو في فضاء ثلاثي الأبعاد. هذا النهج يجرد الحركة من الضجيج البصري للملابس والمناظر الطبيعية، تاركاً فقط الهندسة الصافية للحركة. وبينما أصبح هذا الأسلوب قوياً وموثوقاً لتحديد الأنشطة العامة مثل المشي أو القفز، إلا أنه يعاني عندما تتطلب المهمة التمييز بين حركات تبدو متطابقة تقريباً. إذ يكمن الفرق بين إيماءتين متشابهتين في الحركات الدقيقة والمجهرية لعدد قليل من الأصابع أو المفاصل، وهي تفاصيل يسهل طمسها بفعل الحركات الأكبر والأكثر وضوحاً للذراعين والساقين.

التحدي إذن هو تعليم الكمبيوتر تجاهل الحركات الصاخبة المهيمنة والاستماع بتركيز إلى الحركات الهادئة والحاسمة. تعالج دراسة جديدة من باحثين في جامعة شينزين هذه المشكلة عبر اقتراح نظام مصمم لتضخيم هذه الإشارات الصغيرة والتمييزية. طور الفريق، بقيادة ونمينغ كاو، وغاي وانغ، وشينبينغ ين، طريقة أطلقوا عليها اسم "مضخم المفاصل المدرك للحركات الدقيقة التمييزية" (Discriminative Micro-Action-Aware Joint Amplifier). يركز عملهم على فكرة أنه بينما تجيد نماذج الرؤية الحاسوبية القياسية تتبع مكان المفاصل، إلا أنها غالباً ما تكون ضعيفة في فهم الطبيعة الدقيقة والنوعية لكيفية تحرك تلك المفاصل بالنسبة لبعضها البعض. ومن خلال معاملة هذه الحركات الدقيقة كإشارة متميزة تحتاج إلى تعزيز، يهدف الباحثون إلى تحسين قدرة الآلات على التعرف على الأفعال البشرية المعقدة والدقيقة.

يكمن جوهر المشكلة في كيفية معالجة الأنظمة الحالية للحركة. فعندما يؤدي شخص ما فعلاً ما، تتحرك بعض المفاصل بقوة وسرعة كبيرة، مثل ذراع تتأرجح، بينما تقوم مفاصل أخرى بتعديلات طفيفة لا تكاد تُلحظ. وفي التحليل القياسي، تهيمن الحركات الواسعة والاندفاعية على البيانات، مما يؤدي فعلياً إلى إسكات الحركات الأصغر والأكثر إفادة التي قد تكون الشيء الوحيد الذي يميز فعلاً عن آخر. وجد الباحثون أن الطرق الحالية، التي تعتمد غالباً على آليات الانتباه لتسليط الضوء على المناطق المهمة، لا تزال تعاني لأنها تعمل بشكل أساسي في المجال المكاني؛ فهي تنظر إلى أين توجد الأشياء ومدى سرعتها، لكنها لا تفكك الحركة صراحة إلى مكوناتها الاتجاهية لرصد الاختلافات الدقيقة. ولإصلاح ذلك، قدم الفريق استراتيجية جديدة تعامل هندسة الحركة ليس فقط كمسار في الفضاء، بل كإشارة يمكن تحليل ترددها واتجاهها.

يعمل النظام المقترح عبر ثلاث مراحل متميزة، صُممت كل منها لتنقية البيانات قبل التصنيف النهائي. أولاً، يستخرج النظام معلومات الحركة من تسلسل إطارات الهيكل العظمي. وبدلاً من مجرد قياس المسافة التي تحركها المفصل، فإنه يحسب اتجاه تلك الحركة عبر مستويات مختلفة. وهذا يخلق صورة أغنى للحركة، حيث لا يلتقط الشدة فحسب، بل المسار المحدد لكل مفصل. بعد ذلك، يستخدم النظام عملية اختيار لتحديد المفاصل التي تساهم فعلياً في تقديم معلومات مفيدة. فهو لا يختار ببساطة المفاصل التي تحركت أكثر، لأن تلك هي غالباً الحركات العالمية الكبيرة التي تحجب التفاصيل، بل يقوم بدلاً من ذلك بتصفية المفاصل التي تحركت بالكاد وتلك التي تحركت بجنون، مركزاً بدلاً من ذلك على نطاق محدد من الحركات المتوسطة والدقيقة. تعزل هذه الخطوة "الحركات الدقيقة"، وهي التعديلات الصغيرة والدقيقة التي تحمل المعنى الحقيقي للإيماءة.

بمجرد تحديد هذه المفاصل الحرجة، يطبق النظام تحويلاً رياضياً لتضخيم أهميتها. يقوم الباحثون بإسقاط المواقع النسبية وتحركات هذه المفاصل المختارة على نظام إحداثيات كروي، وهو طريقة لوصف الموقع باستخدام الزوايا والمسافة من نقطة مركزية. ومن هناك، يستخدمون تقنية تُعرف باسم "تحليل التوافقيات الكروية" (spherical harmonic decomposition). تقوم هذه العملية بتفكيك العلاقات الهندسية المعقدة بين المفاصل إلى طبقات مختلفة من التردد؛ حيث تصف الطبقات منخفضة التردد الشكل العام والاتجاه العام، بينما تلتقط الطبقات عالية التردد التفاصيل المحلية الحادة والتغيرات الاتجاهية السريعة. ويستهدف النظام تحديداً هذه المكونات عالية التردد، والتي تتوافق مع الاختلافات الدقيقة والدقيقة، ويعمل على تعزيزها. يضمن هذا التضخيم عدم ضياع الحركات الدقيقة والتمييزية أثناء مرور البيانات عبر بقية الشبكة.

تتضمن الخطوة النهائية دمج هذه الميزات المعززة وعالية التردد مع بيانات الهيكل العظمي الأصلية. ثم يغذي النظام هذه المعلومات المدمجة في شبكة عصبية تلافيفية رسومية (graph convolutional network) قياسية، وهي نوع من الشبكات العصبية المصممة لفهم الروابط بين المفاصل. ولأن المدخلات تحتوي الآن على إشارة أقوى بكثير فيما يتعلق بالحركات الدقيقة، يمكن للشبكة أن تتعلم التمييز بين الأفعال المتشابهة بدقة أكبر. اختبر الباحثون هذا النهج على ثلاث مجموعات بيانات رئيسية تحتوي على آلاف مقاطع الفيديو لأشخاص يؤدون حركات متنوعة. وأظهرت النتائج أن طريقتهم تفوقت باستمرار على النماذج الحالية المتطورة، لا سيما في المهام التي تتطلب التمييز بين الأفعال الدقيقة. وفي إحدى مجموعات البيانات، حققت الطريقة الجديدة دقة بلغت 91.1 بالمائة، وهو تحسن ملموس مقارنة بالتقنيات السابقة التي اعتمدت على النمذجة المكانية القياسية وحدها.

تضمنت الدراسة أيضاً نظرة تفصيلية لكيفية سلوك النظام تحت ظروف مختلفة. وجد الباحثون أن اختيار عدد قليل جداً من المفاصل أو التركيز فقط على الحركات الأكثر تطرفاً يقلل من فعالية النظام. وقد وُجد أن "النقطة المثالية" تكمن في اختيار عدد محدد من المفاصل التي أظهرت حركة متوسطة ودقيقة، مما وفر أفضل توازن بين المعلومات المفيدة والضجيج. علاوة على ذلك، حقق النظام هذه النتائج دون الحاجة إلى زيادة هائلة في القدرة الحسابية أو عدد المعلمات، مما يشير إلى أن التحسن جاء من طريقة أذكى لمعالجة البيانات وليس مجرد جعل النموذج أكبر. وأكدت عمليات التصور المرئي لآليات العمل الداخلية للنظام أن الميزات المعززة كانت بالفعل أكثر تركيزاً حول المناطق التمييزية للجسم، مما يثبت أن استراتيجية التضخيم نجحت في تسليط الضوء على التفاصيل الأكثر أهمية.

في الختام، يوضح هذا العمل أن المفتاح للتعرف على الحركات البشرية المعقدة قد لا يكمن في بناء نماذج أكبر، بل في تعلم الاستماع إلى الأجز الأهدأ من الحركة. ومن خلال تحويل التركة من الحركات العالمية المهيمنة إلى الاختلافات المحلية الدقيقة، واستخدام نهج قائم على التردد لتضخيمها، قدم الباحثون أداة جديدة للآلات لفهم السلوك البشري بعمق أكبر. وتشير النتائج إلى أنه بالنسبة للمهام التي يكون فيها الفرق بين فعلين هو مسأًلة درجات قليلة من الدوران أو إزاحة طفيفة في إصبع، فإن القدرة على عزل وتعزيز هذه الحركات الدقيقة هي أمر ضروري. يقدم هذا النهج مساراً واعداً لتطبيقات المراقبة الذكية، والتفاعل بين الإنسان والحاسوب، وتقييم التأهيل، حيث يمكن للطبيعة الدقيقة للحركة أن تشكل الفرق بين التفسير الصحيح والإشارة المفقودة.