CD-Former: A Contextual Dynamic Transformer for Skeleton-Based Human Action Recognition
تقدم هذه الورقة CD-Former، وهي بنية Transformer خالصة للتعرف على الأفعال القائمة على الهيكل العظمي تستخدم رموزاً موحدة للمفاصل والإطارات وتضمينات قابلة للتعلم لنمذجة التبعيات المكانية والزمانية دون وحدات مساعدة، مع تقييم أدائها وتعقيدها وكفاءة الاستدلال عبر نوافذ زمنية مختلفة على المنصات محدودة الموارد.
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
تخيل عالماً تستطيع فيه الحواسيب مراقبة حركة الشخص وفهم ما يفعله على الفور. هذه القدرة، المعروفة باسم التعرف على الأفعال البشرية، هي المحرك الصامت لأنظمة الأمن الذكية التي ترصد حالات السقوط في المستشفيات، وألعاب الفيديو التفاعلية التي تستجيب لإيماءاتك، والروبوتات التي يمكنها العمل بأمان إلى جانب البشر. لسنوات طويلة، حاول الباحثون تعليم الآلات هذه المهارة عبر تغذيتها بالفيديو، لكن الفيديو يكون مثقلاً بتفاصيل مشتتة مثل أنماط الخلفية وتغير الإضاءة. وقد ظهر حل أكثر أناقة: بدلاً من مشاهدة الصورة بأكملها، تتبع الحاسوب فقط الهيكل العظمي للجسم، وهو عبارة عن مجموعة من النقاط المتصلة بخطوط تمثل المفاصل مثل الكتفين، والمرفقين، والركبتين. ومن خلال التركيز فقط على كيفية تحرك هذه النقاط عبر الزمن، يستطيع الحاسوب تجاهل الفوضى ورؤية الحركة الصافية.
لقد كان التحدي دائماً يكمن في إيجاد أفضل طريقة لتعليم الحاسوب قراءة هذه الهياكل المتحركة. حاولت الطرق المبكرة معاملة الحركة كسلسلة من الصور أو قائمة من الأرقام، لكنها غالباً ما كانت تغفل العلاقات المعقدة بين أجزاء الجسم المختلفة. لاحقاً، بنى الباحثون نماذج تعاملت مع الهيكل العظمي كخريطة ذات طرق ثابتة، مما أجبر الحاسوب على النظر فقط في الاتصالات الموجودة في جسم بشري معياري. ومع ذلك، فإن الحركة البشرية انسيابية وغير متوقعة؛ فأحياناً تمتد يد بعيداً عن الجسم، أو تخطو قدم بطريقة تتحدى خريطة بسيطة. أدى هذا إلى ظهور نوع جديد من الذكاء الاصطناعي يسمى "المحول" (Transformer)، وهو مشهور بقدرته على النظر في جميع أجزاء التسلسل في وقت واحد وتقرير أي منها هو الأكثر أهمية، دون الحاجة إلى خريطة مرسومة مسبقاً.
في دراسة حديثة، استكشف فريق من الباحثين من الجامعة الكاثوليكية البوليفية "سان بابلو" مدى فعالية هذا النهج الخالي من الخرائط عندما يُسمح للحاسوب بمشاهدة مقطع قصير جداً من الحركة فقط. لقد طوروا نظاماً يسمونه "CD-Former"، وهو اختصار لـ "المحول السياقي الديناميكي" (Contextual Dynamic Transformer). الفكرة الجوهرية بسيطة لكنها قوية: بدلاً من إجبار الحاسوب على اتباع خريطة هيكل عظمي ثابتة، يعطون الحاسوب تدفقاً واحداً موحداً من المعلومات حيث يتم وسم كل مفصل بهويته ومكانه في الزمان. ثم يستخدم الحاسوب آلية "انتباه" (attention mechanism) قياسية للنظر في المقطع بأكمله وتقرير، من تلقاء نفسه، أي المفاصل تتواصل مع المفاصل الأخرى في أي لحظة معينة. وهذا يسمح للنظام باكتشاف أنماط حركة معقدة قد تغفل عنها الخريطة الجامدة، كل ذلك مع الحفاظ على تصميم نظيف وخالٍ من الأجزاء الإضافية والمعقدة.
اختبر الباحثون نظامهم على مجموعتين كبيرتين ومعروفتين من بيانات الهيكل العظمي، والتي تحتوي على آلاف الحركات البشرية المسجلة، بدءاً من الإيماءات البسيطة وصولاً إلى التفاعلات المعقدة. لم يسألوا فقط عما إذا كان النظام يعمل، بل سألوا كيف يعمل تحت قيود مختلفة. وتحديداً، أرادوا معرفة ما سيحدث عندما يقيدون الحاسوب بمشاهدة ست عشرة، أو أربع وعشرين، أو اثنت وثلاثين إطاراً من الفيديو في المرة الوااسية. وهذا سؤال جوهري لأن الحواسيب في العالم الحقيقي غالباً ما تضطر للعمل على أجهزة صغيرة تعمل بالبطارية، ولا يمكنها تحمل عمليات حسابية طويلة وثقيلة. ومن خلال اختبار هذه النوافذ القصيرة، استطاع الفريق معرفة مقدار الدقة التي سيتعين عليهم التضحية بها لجعل النظام سريعاً بما يكفي للاستخدام اليومي.
كشفت النتائج عن مقايضة واضحة بين السرعة والدقة. فعندما شاهد النظام أقصر المقاطع المكونة من ستة عشر إطاراً، كان سريعاً للغاية وخفيفاً، ويتطلب ذاكرة وطاقة قليلة جداً. ومع ذلك، ارتكب المزيد من الأخطاء، خاصة في الأفعال التي تبدو متشابهة في المدى القصير ولكنها في الواقع متضادة، مثل نزع قبعة مقابل وضع قبعة. في هذه اللحظات الوجيزة، قد يبدو الجسم متطابقاً، ويحتاج الحاسوب إلى مزيد من الوقت لرؤية اتجاه الحركة للتمييز بينهما. ومع زيادة النافذة إلى أربعة وعشرين ثم اثنين وثلاثين إطاراً، تعمق فهم النظام بشكل ملحوظ. فمع وجود اثنين وثلاثين إطاراً، استطاع الحاسوب رؤية المسار الكامل للحركة، مما سمح له بالتمييز بين الأفعال المتشابهة بثقة أكبر بكل شيء. حقق النظام أعلى دقة له عند هذه النافذة الأطول، حيث حدد صحيحاً ما يقرب من ثلاثة وتسعين بالمائة من الأفعال في أحد بروتوكولات الاختبار.
ما يجعل هذه الدراسة قيمة بشكل خاص هو أنها لا تكتفي بتقرير رقم واحد للدقة. فقد قاس الفريق بالضبط مقدار العمل الذي يتعين على الحاسوب القيام به لكل من هذه الإعدادات. ووجدوا أن مضاعفة عدد الإطارات من ستة عشر إلى اثنين وثلاثين لم يؤدِ فقط إلى مضاعفة العمل، بل زاد من الجهد الحسابي بشكل كبير لأن الحاسوب كان عليه مقارنة كل مفصل مع كل مفصل آخر عبر النطاق الزمني بأكمله. وقد خلق هذا صعوداً حاداً في الموارد المطلوبة. وعلى شريحة حاسوبية مدمجة تشبه تلك المستخدمة في الطائرات بدون طيار والروبوتات المحمولة، استطاع النظام معالجة حوالي سبعة عشر فعلاً في الثانية باستخدام مقاطع الستة عشر إطاراً القصيرة، لكن هذا انخفض إلى سبعة أفعال فقط في الثانية عند استخدام الثلاثين إطاراً الأطول. كما نمت نسبة استخدام الذاكرة، وإن ظلت صغيرة بما يكفي لتناسب الجهاز.
نظر الباحثون أيضاً عن كثب في المواضع التي ارتكب فيها النظام أخطاءه. ووجدوا أن الارتباك لم يكن عشوائياً؛ فقد حدث غالباً بين أزواج من الأفعال التي تعد صوراً مرآتية لبعضها البعض. فعندما يرى الحاسوب شريحة قصيرة فقط من الوقت، لا يمكنه التمييز بين ما إذا كان الشخص يمد يده للأمام أو يسحبها للخلف. ولكن بمجرد تمديد النافذة الزمنية، يستطيع النظام رؤية تطور الحركة وحل الارتباك. وهذا يشير إلى أنه بالنسبة للعديد من الأفعال البشرية، فإن المفتاح لفهمها ليس فقط شكل الجسم في لحظة واحدة، بل قصة كيفية تغير هذا الشكل على مدار بضع ثوانٍ. وتؤكد الدراسة أن النهج الخالي من الخرائط الصرف يمكن أن يكون فعالاً للغاية، بشرط أن يُمنح الحاسوب الوقت الكافي لقراءة القصة.
وقد حرص الفريق على ملاحظة أن نظامهم ليس الأصغر أو الأكثر كفاءة على الإطلاق. فهو يستخدم قدراً متوسطاً من الذاكرة وقوة المعالجة، وليس مصمماً ليكون أخف نموذج ممكن. بدلاً من ذلك، فإنه يعمل كدليل واضح على أن نهجاً مباشراً، يسمح للحاسوب باكتشاف العلاقات بين أجزاء الجسم من تلقاء نفسه، يمكن أن يعمل بشكل جيد دون الحاجة إلى إضافات معقدة أو خرائط متخصصة. وتشير الدراسة إلى أنه بالنسبة للعديد من التطبيقات العملية، فإن النهج الأفضل ليس إجبار الحاسوب على أن يكون بسيطاً قدر الإمكان، بل إيجاد النقطة المثالية حيث تكون نافذة الوقت طويلة بما يكفي لرؤية الفعل بوضوح، وقصيرة بما يكفي للعمل بسرعة على الأجهزة المتاحة.
في النهاية، يوفر هذا العمل دليلاً عملياً لبناء أنظمة التعرف على الأفعال التي يمكن أن تعمل على أجهزة العالم الحقيقي. فهو يوضح أنه من خلال الموازنة بعناية بين طول مقطع الفيديو وقوة الحوسبة المتاحة، يمكن للمهندسين إنشاء أنظمة تكون سريعة ودقيقة في آن واحد. وتشير النتائج إلى أننا لسنا بحاجة للاختيار بين نظام ذكي ونظام سريع؛ بل نحتاج ببساطة إلى ضبط نافذة الوقت لتناسب المهمة المطلوبة. وسواء كانت كاميرا أمنية تراقب ممرًا أو جهازاً قابلاً للارتداء يتتبع تعافي مريض، فإن القدرة على تكييف رؤية الحركة مع الموارد المتاحة هي المفتاح لجعل هذه التقنيات تعمل في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.