Design and Evaluation of a Lightweight Real-Time Facial Expression Recognition System: A PyTorch Mini-Xception Implementation Trained on FERPlus.

تخيل حاسوبًا يمكنه مراقبة وجه شخص ما وفهم ما يشعر به. هذا هو هدف التعرف على تعبيرات الوجه، وهو مجال علمي يحاول ترجمة الحركات الدقيقة لعضلاتنا إلى عواطف محددة مثل السعادة أو الحزن أو الغضب. لعقود من الزمن، بنى الباحثون أدمغة رقمية معقدة للقيام بذلك، لكنها غالبًا ما تتطلب حواسيب ضخمة ومكلفة للتشغيل. هذه الأنظمة الثقيلة تجد صعوبة في العمل في الوقت الفلي، مثل عندما تكون تغذية الفيديو تبث مباشرة من كاميرا ويب. كان التحدي يكمل في إنشاء نظام ذكي بما يكفي للتعرف على هذه التعبيرات بدقة، ولكنه خفيف بما يكفي ليعمل على حواسيب عادية ويومية دون تأخير أو تجميد.

قام باحث يدعى ديبانجان شاكرابورتي بمعالجة هذه المشكلة من خلال تصميم نسخة جديدة ومبسطة من دماغ رقمي مخصص لهذه المهمة. فبدلاً من استخدام النماذج الضخمة المستهلكة للطاقة الشائعة في هذا المجال، بنى شاكرابورتي بنية صغيرة وفعالة تسمى "Mini-Xception". تم تدريب هذا النموذج على مجموعة كبيرة من صور الوجوه المعروفة باسم مجموعة بيانات "FERPlus"، والتي تحتوي على آلاف الصور لأشخاص يظهرون سبعة مشاعر مختلفة. ومع ذلك، قدمت مجموعة البيانات عقبة صعبة: فقد كانت غير متوازنة بشدة؛ حيث كان هناك آلاف الصور لأشخاص يبدون سعداء أو محايدين، ولكن عدد قليل جدًا ممن يظهرون مشاعر مثل الاشمئزاز أو الخوف. وإذا تعلم الحاسوب من مجموعة مائلة كهذه، فإنه يميل إلى تجاهل المشاعر النادرة تمامًا، ويخمن "سعيد" أو "محايد" لكل شيء تقريبًا ليكون مصيبًا في معظم الأحيان.

ولحل هذه المشكلة، اختبر الباحث طرقًا مختلفة لتعليم الحاسوب الانتباه للمشاعر النادرة. جربوا تجاهل عدم التوازن، وجربوا إعطاء المشاعر النادرة أهمية قصوى، وجربوا نهجًا وسطًا يعطيها دفعة متوسطة. وأظهرت النتائج أن النهج المتوسط كان الأفضل. فمن خلال ضبط عملية التدريب لتقدير المشاعر النادرة بدرجة كافية دون المبالغة في رد الفعل، تعلم النظام التعرف على المشاعر السبعة بدرجة عالية من التوازن. كان النموذج النهائي صغيرًا للغاية، حيث يحتوي على أقل من 57,000 إعداد قابل للضبط، وهو رقم ضئيل مقارنة بالأنظمة القياسية التي غالبًا ما تمتلك الملايين. هذا الحجم الصغير يعني أن النموذج بأكمله يشغل أقل من ميجابايت واحد من مساحة التخزين، مما يجعله سهل الحمل والتشغيل على المعدات القياسية.

ومع ذلك، كان الاختبار الحقيقي هو ما إذا كان هذا النظام الصغير يمكنه مواكبة بث فيديو مباشر. قام الباحث بإعداد نظام لاكتشاف الوجوه في الوقت الفعلي باستخدام كاميرا ويب، ثم تصنيف التعبير فورًا. اختبر ذلك على جهاز كمبيوتر "Apple M1 Pro"، وهو حاسوب محمول شائع عالي الأداء. ووجد أن النظام يمكنه معالجة الفيديو بمعدل ثابت يبلغ حوالي 30 إطارًا في الثانية، وهو معدل سلس بما يكفي لتدركه العين البشرية كحركة مستمرة. استغرقت العملية بأكملها، من رصد الوجه إلى تسمية الشعور، أقل من ستة مللي ثوانٍ. ومن المثير للدهشة، اكتشف الباحث أنه بالنسبة لهذه المهمة المحددة المتمثلة في التعامل مع إطارات الفيديو الفردية واحدًا تلو الآخر، كان المعالج الرئيسي للحاسوب أسرع في الواقع من شريحة الرسوميات المتخصصة الخاصة به. وذلك لأن شريحة الرسوميات، رغم قوتها للتعامل مع مجموعات كبيرة من البيانات، تعاني من تأخير طفيف عند بدء التشغيل لكل إطار فردي، بينما تعامل المعالج الرئيسي مع المهام الصغيرة والسريعة بكفاءة أكبر.

تضمن النظام أيضًا شبكة أمان لاكتشاف الوجه؛ حيث استخدم في المقام الأول طريقة حديثة وسريعة للعثور على الوجوه في الفيديو، ولكن إذا فشلت تلك الطريقة، يمكنه الانتقال فورًا إلى تقنية قديمة وموثوقة لضمان عدم توقف بث الفيديو. ولجعل المخرجات تبدو طبيعية، قام النظام بتنعيم النتائج، بحيث لا يقفز ملصق الشعور بشكل عشوائي من إطار إلى آخر، بل يتغير تدريجيًا، تمامًا كما تفعل التعبيرات البشرية. أكدت الدراسة أن نظامًا خفيف الوزن ومضبوطًا بعناية يمكنه بالفعل التعرف على تعبيرات الوجه في الوقت الفعلي دون الحاجة إلى حاسوب خارق.

وعلى الرغم من هذه النجاحات، كان الباحث حريصًا على ملاحظة ما لا يستطيع النظام القيام به. فالحاسوب يرى فقط الشكل المادي للوجه، ولا يعرف المشاعر الداخلية الحقيقية للشخص؛ فقد تكون الابتسامة فرحًا حقيقيًا، أو مجرد قناع مهذب، ولا يستطيع النظام التمييز بينهما. علاوة على ذلك، تم تدريب النظام على صور منخفضة الدقة ولا يمكنه تشخيص الحالات الطبية أو استبدال الحكم البشري في المواقف الحساسة. إنه أداة للتعرف على الإشارات المرئية، وليس نافذة على الروح البشرية. يقف هذا العمل كدليل على أنه مع التصميم الصحيح، يمكن تصغير الذكاء الاصطناعي القوي ليتناسب مع حاسوب محمول، مما يفتح الباب للوعي العاطفي في الوقت الفعلي في التقنيات اليومية دون الحاجة إلى أجهزة ضخمة.