Hybrid Attention-Graph Reasoning over Deep Residual Networks for In-the-Wild Facial Expression Recognition
تقترح هذه الورقة البحثية شبكة DRAG-Net، وهي شبكة رسوم بيانية انتباهية متبقية عميقة وخفيفة الوزن تدمج بنية DenseNet121 وآليات الانتباه والاستدلال العلاقاتي القائم على الرسوم البيانية لالتقاط التبعيات الوجهية المحلية والعالمية بفعالية من أجل التعرف القوي على تعبيرات الوجه في الظروف الواقعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تعد الوجوه البشرية أكثر الأدوات تعبيراً التي نمتلكها، حيث تتحول لحظياً من الفرح إلى الحزن، ومن الغضب إلى المفاجأة. ولكي تفهم الآلات البشر حقاً، يجب أن تتعلم قراءة هذه التحولات الدقيقة، وهي مهمة تُعرف باسم التعرف على تعبيرات الوجه. وبينما أصبحت الحواسيب بارعة بشكل ملحوظ في تحديد الأشياء أو الأشخاص في الصور، إلا أن قراءة العواطف تظل تحدياً مستعصياً. وتكمن الصعوبة في الواقع الفوضوي للعالم الحقيقي: تغيرات الإضاءة، وإمالة الناس لرؤوسهم، واختلاف مظهر العاطفة الواحدة من وجه لآخر. علاوة على على ذلك، فإن بعض العواطف، مثل الخوف والمفاجأة، تتشارك في حركات عضلات وجه متشابهة جداً مما يسهل الخلط بينهما. ولحل هذه المشكلة، اتجه الباحثون إلى التعلم العميق، وهو أسلوب تتعلم فيه الحواسيب من خلال تحليل آلاف الصور لإيجاد الأنماط. ومع ذلك، غالباً ما تفشل الأساليب القياسية في الربط بين أجزاء الوجه المختلفة، مثل كيفية تحرك الحاجبين والفم معاً لتشكيل شعور محدد.
لقد طور فريق من الباحثين من مصر نظاماً جديداً صُمم للتغلب على هذه العقبات من خلال الجمع بين طريقتين قويتين في التفكير في الصور. يعمل نهجهم، المسمى DRAG-Net، كعملية مكونة من خطوتين: الأولى تعمل على توضيح تفاصيل الوجه، والثانية ترسم خريطة لكيفية ارتباط تلك التفاصيل ببعضها البعض. يبدأ النظام بأخذ صورة قياسية ويقوم بتنظيفها، وضبط السطوع لضمان وضوح الوجه بغض النظر عن ظروف الإضاءة. ثم يستخدم نموذج رؤية حاسوبية مدرب مسبقاً، والذي تعلم بالفعل التعرف على الأشكال والأنسجة العامة، لاستخراج الميزات العميقة للوجه. ولكن بدلاً من التوقف عند هذا الحد، أضاف الباحثون طبقة من "الانتباه" (attention)، وهي آلية تعلم الحاسوب تجاهل الخلفية والتركيز بكثافة على الأجزاء الأكثر أهمية في الوجه، مثل العينين والحاجبين والفم. تضمن هذه الخطوة أن الآلة تنظر إلى الأشياء الصحيحة قبل أن تحاول فهم العاطفة.
بمجرد أن يركز النظام على ملامح الوجه الرئيسية، يقوم بخطوته الأكثر ابتكاراً: تحويل بيانات الصورة إلى شبكة من النقاط المتصلة. تخيل الوجه ليس كصورة مسطحة، بل كشبكة حيث كل مربع صغير هو عقدة، أو نقطة معلومات. يقوم النظام بعد ذلك برسم خطوط غير مرئية بين النقاط المتجاورة، مما يخلق خريطة لكيفية اتصال أجزاء الوجه المختلفة ببعضها البعض. يتيح هذا للحاسوب التفكير في العلاقات بين مناطق الوجه، وفهم أن تقطيب الحاجبين وشد الفم مرتبطان بطريقة معينة للإشارة إلى الغضب. ومن خلال تحليل هذه الاتصالات، يمكن للنموذج التمييز بين العواطف التي تبدو متشابهة في الظاهر ولكن لها هياكل أساسية مختلفة. يتجنب هذا الأسلوب الحاجة إلى برمجيات معقدة وثقيلة تحاول تتبع كل معلم من معالم الوجه، مما يحافظ على النظام خفيف الوزن وسريعاً.
اختبر الباحثون هذا النظام الجديد على أربع مجموعات مختلفة من صور الوجوه، تتراوح من آلاف الصور العفوية المأخوذة من الإنترنت إلى لقطات الاستوديو المدروسة لممثلين يؤدون عواطف محددة. وأظهرت النتائج أن النظام كان فعالاً للغاية؛ ففي مجموعة بيانات الإنترنت الكبيرة والفوضوية، حدد العاطفة بشكل صحيح في ما يقرب من 67 بالمائة من الحالات، متفوقاً بذلك على الأساليب الرائدة الأخرى. وفي مجموعات البيانات المحكومة، حيث كانت الصور أكثر وضوحاً والوضعيات قياسية، حقق النظام درجات تقترب من المثالية، حيث حدد العواطف بشكل صحيح في أكثر من 98 بالمائة من الحالات. وفي اختبار محدد، كان صحيحاً في كل حالة تقريباً. والأهم من ذلك، وجد الباحثون أن نظامهم حقق هذه الدرجات العالية دون الحاجة إلى قدرة حوسبة هائلة؛ فهو يستخدم عدداً صغيراً نسبياً من الإعدادات الداخلية، مما يجعله كفؤاً بما يكفي للعمل على الحواسيب القياسية أو حتى الأجهزة المحمولة، وهو أمر ضروري للتطبيقات في الوقت الفعلي مثل مراقبة السائقين أو الروبوتات التفاعلية.
كما استكشفت الدراسة سبب عمل النظام بهذا الشكل الجيد من خلال اختباره جزءاً بجزء. ووجدوا أن الجمع بين آلية الانتباه ورسم خرائط العلاقات هو المفتاح. فبدون خطوة الانتباه، كان النظام يتشتت بتفاصيل الخلفية غير ذات الصلة، وبدون رسم خرائط العلاقات، كان يعاني لرؤية الصورة الكبيرة لكيفية عمل ملامح الوجه معاً. وأكد الباحثون أن طريقتهم كانت متينة، بمعنى أنها أدت أداءً ثابتاً حتى عند اختبارها مع نقاط بداية عشوائية مختلفة. كما لاحظوا أنه بينما يعد النظام ممتازاً في التعرف على العواطف الواضحة، فإنه لا يزال يواجه تحديات مع التعبيرات الأكثر صعوبة ودقة الموجودة في البيئات غير المنضبطة، وهو قصور شائع في جميع التقنيات الحالية في هذا المجال. وفي النهاية، يوضح هذا العمل أنه من خلال تعليم الآلات النظر إلى الأماكن الصحيحة وفهم كيفية اتصال تلك الأماكن، يمكننا بناء أنظمة تقرأ العاطفة البشرية بدقة وكفاءة أكبر من أي وقت مضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.