An Improved EfficientNet-B0 Model for Facial Emotion Recognition
تُظهر هذه الدراسة أن نموذج EfficientNet-B0 المُحسَّن يحقق توازناً فائقاً بين أداء التعرف على تعبيرات الوجه والكفاءة الحسابية مقارنةً بنماذج EfficientNet الأكبر حجماً، حيث حقق دقة بنسبة 78.68% على مجموعة بيانات مشتركة من FER2013 وRAF-DB مع تطلبه لعدد أقل بكثير من المعلمات ووقت استدلال أقل.
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
لطالما كانت الحواسيب قادرة على التعرف على الوجوه، وتحديد هوية الشخص من خلال رسم خرائط للمسافة بين عينيه أو شكل فكه. لكن تعليم الآلة كيفية فهم مشاعر الإنسان يمثل تحدياً مختلفاً وأكثر دقة. هذا المجال، المعروف باسم "التعرف على تعبيرات الوجه"، يطلب من البرمجيات النظر إلى صورة ثابتة وتحديد ما إذا كان الشخص سعيداً، أو حزيناً، أو غاضباً، أو متفاجئاً، أو محايداً. وهي مهمة تعتمد على رصد التحركات الطفيفة في عضلات الفم والعينين، وهي تحركات قد تكون عابرة مثل ومضة ضوء. وبينما تعد هذه التكنولوجيا بجعل الحواسيب أكثر استجابة للاحتياجات البشرية — مثل مساعدة السائقين على البقاء يقظين، أو مساعدة المعلمين في متابعة تفاعل الطلاب، أو مساعدة العاملين في الرعاية الصحية — إلا أنها واجهت مشكلة مستمرة: البيانات المستخدمة لتعليم هذه الأنظمة غالباً ما تكون غير منظمة. فالصور في العالم الحقيقي تختلف بشكل كبير من حيث الإضاءة والزاوية، كما أن التصنيفات التي يضعها البشر لها غالباً ما تكون غير متسقة. علاوة على ذلك، ظل الباحثون لفترة طويلة يتجادلون حول ما إذا كان مجرد جعل "دماغ" الكمبيوتر أكبر وأكثر تعقيداً يؤدي حقاً إلى نتائج أفضل، أم أنه مجرد هدر للطاقة والوقت دون إضافة قيمة حقيقية.
لقد شرع فريق من الباحثين في جامعة بورت هاركورت في نيجيريا في حل هذا الجدل وتنظيف البيانات الكامنة وراء الكواليس. فقد ركزوا على نوع محدد من بنية الحاسوب يسمى "EfficientNet"، وهو مصمم ليكون فعالاً في التعلم من الصور. واختاروا اختبار ثلاث نسخ من هذا النظام: نموذج صغير وخفيف الوزن يُعرف باسم B0، ونسختين أكبر وأكثر تعقيداً تُسميان B1 وB2. لم يكن الهدف مجرد بناء نظام يعمل، بل معرفة ما إذا كانت النماذج الأكبر تستحق حقاً التكلفة الإضافية. ولتحقيق ذلك، توجب على الباحثين أولاً إصلاح الأساس؛ حيث جمعوا آلاف الصور من مجموعتين عامتين رئيستين، إحداهما تحتوي على صور من الإنترنت والأخرى تضم وجوهاً تم التقاطها في بيئات واقعية. ثم أجروا عملية تنظيف صارمة، حيث أزالوا آلاف الصور المكررة واستبعدوا الملفات التي بدت فيها التسمية العاطفية خاطئة أو غير واضحة. وانتهى بهم المطاف إلى مجموعة متوازنة تماماً مكونة من 25,000 صورة، مع 5,000 مثال بالضبط لكل نوع من أنواع المشاعر الخمسة المستهدفة: السعادة، والحزن، والغضب، والمفاجأة، والحياد. وقد ضمن هذا الإعداد الدقيق أن يتعلم الكمبيوتر من أمثلة فريدة بدلاً من حفظ نسخ مكررة.
قام الباحثون بعد ذلك بتدريب نماذجهم الثلاثة على هذه البيانات النظيفة، باستخدام تقنية تسمى "التعلم بنقل المعرفة" (transfer learning)، والتي تسمح للكمبيوتر بالبدء بمعرفة اكتسبها مسبقاً من التعرف على أشياء عامة مثل القطط والسيارات، ثم تكييف تلك المعرفة للتعرف على التعبيرات البشرية. وقد دربوا النماذج على مرحلتين: أولاً تعليم الأجزاء الجديدة من النظام، ثم ضبط الشبكة بأكملها بدقة. وكشفت النتائج عن فائز واضح من حيث الكفاءة؛ فقد حقق النموذج الأصغر، EfficientNet-B0، دقة تقترب من 79 بالمائة على مجموعة من الصور التي لم يرها من قبل، حيث حدد العاطفة بشكل صحيح في حوالي 79 حالة من كل 100 حالة اختبار. أما النموذج الأكبر، EfficientNet-B1، فقد كان أداؤه أفضل قليلاً، حيث وصل إلى أقل من 80 بالمائة من الدقة، لكن الفرق كان ضئيلاً جداً لدرجة أن الاختبارات الإحصائية أظهرت أنه ليس تحسناً ذا معنى. بينما كان النموذج الأكبر، EfficientNet-B2، أداؤه أسوأ في الواقع، حيث سجل حوالي 75 بالمائة، ويرجع ذلك أساساً إلى عدم منحه الوقت الكافي للتعلم الكامل خلال التجربة.
تكمن الأهمية الحقيقية للدراسة في تكلفة هذه الاختلافات. فقد تطلبت النماذج الأكبر قدرة حوسبة ووقتاً أطول للتشغيل؛ حيث استطاع النموذج الأصغر تحليل صورة واحدة في حوالي 8.5 مللي ثانية، بينما استغرقت النماذج الأكبر ما يقرب من 12.5 مللي ثانية لنفس المهمة. ومن الناحية العملية، يعني هذا أن النموذج الأصغر أسرع بنسبة 30 بالمائة تقريباً ويستخدم حوالي 37 بالمائة من الإعدادات الداخلية (المعلمات) الأقل للقيام بالمهمة. وخلص الباحثون إلى أنه بالنسبة لهذه المهمة المحددة المتمثلة في التعرف على خمس عواطف أساسية، فإن الهياكل الخلفية الأكبر لا توفر دقة إضافية كافية لتبرير تكلفتها العالية. لقد قدم النموذج الأصغر التوازن الأفضل، حيث قدم أداءً عالياً دون العبء الحوسبي الثقيل.
وعلى الرغم من هذا النجاح، سلطت الدراسة الضوء على المجالات التي لا تزال التكنولوجيا تعاني فيها. فقد كان الكمبيوتر بارعاً للغاية في رصد السعادة والمفاجأة، وهي عواطف تتضمن تحركات واضحة وكبيرة في الوجه. ومع ذلك، فقد خلط كثيراً بين الحزن والتعبير المحايد؛ فعندما يكون الشخص حزيناً حقاً، كان النموذج يصنف أحياناً أنه محايد، وعندما يكون الشخص محايداً، كان يخمن أحياناً أنه حزين. يشير هذا إلى أن النظام يجد صعوبة في التمييز بين الوجه الذي في حالة راحة وبين الوجه الذي يحمل عاطفة سلبية منخفضة الشدة. وبالرغم من هذا الارتباك، تم نشر النظام بنجاح كتطبيق ويب عامل؛ حيث يمكن للمستخدمين رفع صورة أو استخدام كاميرا الويب، ويقوم النظام فوراً بإرجاع العاطفة المتوقدة مع درجة الثقة. وتستغرق العملية برمتها، من النقر على الزر إلى رؤية النتيجة، بضع ثوانٍ فقط، بينما يحدث التحليل الحاسوبي الفعلي في جزء من الملي ثانية.
يُظهر هذا العمل أنه في السباق لبناء ذكاء اصطناعي أكثر ذكاءً، ليس بالضرورة أن يكون الأكبر هو الأفضل. فمن خلال تنظيف البيانات بعناية ومقارنة أحجام مختلفة من نفس التكنولوجيا، أظهر الباحثون أن نموذجاً أصغر وأكثر كفاءة يمكنه غالباً التفوق على نظائره الأكبر عندما تكون المهمة محددة جيداً. لقد أثبتوا أنه للتعرف على العواطف البشرية الأساسية، فإن النهج المبسط ليس فقط أسرع وأرخص، بل هو أيضاً بنفس القدر من الدقة. وتترك الدراسة الباب مفتوحاً أمام تحسينات مستقبلية، مثل تعليم النظام التعرف على الخوف والاشمئزاز، أو مساعدته على فهم كيفية تغير العواطف بمرور الوقت في الفيديو، ولكن في الوقت الحالي، فإنها ترسم مساراً واضحاً وفعالاً للكشف عن العواطف في الوقت الفعلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.