Pose Grammar Based Deep Neural Network for 3D Human Pose Estimation
تقترح هذه الورقة HEpose، وهو إطار عمل هجين للتعلم العميق يستخدم طبقات خطية ومتبقية متوازية لتقدير وضعيات الجسم البشرية ثلاثية الأبعاد من مواضع المفاصل ثنائية الأبعاد بفعالية، محققاً تحسناً بنسبة 50% في الدقة مقارنة بالطرق المرجعية.
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
لكي تعلم حاسوباً كيف يرى العالم كما نراه، يجب على الباحثين أولاً حل لغز جوهري: كيفية ترجمة صورة مسطحة ثنائية الأبعاد إلى واقع حي ينبض بالثلاثة أبعاد. فعندما يقف شخص أمام كاميرا، تلتقط الصورة الطول والعرض فقط، مجردةً إياها من العمق الذي يحدد كيفية تحرك الجسد عبر الفضاء. وهذا البعد المفقود أمر بالغ الأهمية لتفهم الآلات السلوك البشري، سواء لتوجيه روبوت، أو تحريك شخصية، أو مراقبة السلامة في شارع مزدحم. ويكمن التحدي في إعادة بناء العمق الخفي لكل مفصل — المرفق، والركبة، والكتف — من لقطة واحدة. وبينما كانت الطرق السابقة قادرة على تخمين هذه المواضع، إلا أنها غالباً ما عانت من تعقيد الحركة البشرية، وتنوع الملابس، والطريقة التي يمكن بها للأجسام أن تخفي أجزاءً من الجسم. والهدف هو إنشاء نظام يمكنه النظر إلى صورة مسطحة ورسم خريطة دقيقة للهيكل العظمي الكامل ثلاثي الأبعاد للشخص الموجود داخلها.
في دراسة حديثة، تناول الباحثان زينيا سلطانة ومحمد حسناول كبير هذه المشكلة من خلال تصميم نوع جديد من بنية الذكاء الاصطناعي المصممة خصيصاً لتقدير الوضعيات البشرية. ويركز عملهما على مهمة محددة: أخذ إحداثيات 133 مفصلاً مختلفاً من الجسم من صورة ثنائية الأبعاد والتنبؤ بمواقعها الثلاثية الأبعاد بدقة. وللقيام بذلك، ابتعدا عن محاولة إجبار شبكة عصبية واحدة ضخمة على حل المشكلة بأكملها دفعة واحدة. بدلاً من ذلك، بنيا نظاماً هجيناً يعمل عبر ثلاثة نماذج مختلفة في وقت واحد، مما يسمح لكل منها بالتركيز على جانب مختلف من الهيئة البشرية قبل دمج رؤاها. يستخدم جزء من نظامهما اتصالات مباشرة وبسيطة لمعالجة البيانات، بينما يستخدم جزء آخر بنية أكثر تعقيداً مع "كتل متبقية" (residual blocks) — وهي طبقات تساعد الشبكة على التعلم من أخطائها دون ارتباك. أما المكون الثالث فهو الأكثر ابتكاراً، حيث يتضمن ما وصفه المؤلفان بـ "قواعد لغة الوضعية" (pose grammar). هذا المفهوم يعامل الجسم البشري ليس مجرد مجموعة من النقاط، بل كبنية متصلة حيث تمتلك المفاصل علاقات محددة، تماماً كما تمتلك الجملة بنية قواعدية تملي كيفية اتصال الكلمات ببعضها البعض.
اختبر الباحثان نهجهما باستخدام مجموعة بيانات ضخمة تسمى H3WB، والتي تحتوي على آلاف الأمثلة لأجسام بشرية مع توصيفات ثلاثية الأبعاد مفصلة. وقاما بتدريب نظامهما على 64,000 مثال من هذه الأمثلة، ثم تحدياه للتنبؤ بوضعيات 8,000 صورة غير مرئية مسبقاً. وأظهرت النتائج أن نهجهما المشترك، الذي أطلقا عليه اسم HEpose، تفوق بشكل كبير على الطرق السابقة. فمن خلال تشغيل النماذج الثلاثة المتوازية ودمج مخرجاتها، نجح النظام في تقليل متوسط الخطأ في التنبؤ بمواضع المفاصل بنسبة تقارب النصف مقارنة باستخدام نموذج واحد قياسي. وكان النظام فعالاً بشكل خاص في فهم العلاقات بين أجزاء الجسم؛ فعندما أزال الباحثون المكون الذي يتعامل مع اتصالات المفاصل، انخفضت دقة النظام بشكل كبير، مما أثبت أن فهم كيفية ارتباط الجسم ببعضه لا يقل أهمية عن رؤية المفاصل الفردية.
كان أحد النتائج الرئيسية للدراسة هو أهمية إيجاد التوازن الصحيح في تعقيد النظام. فقد جرب الباحثون إضافة المزيد من الطبقات إلى الشبكة، آملين أن يتعلم نظام أكثر عمقاً بشكل أفضل. ومع ذلك، اكتشفوا أن إضافة الكثير من الطبقات أدت في الواقع إلى إضعاف الأداء، مما تسبب في جعل النظام يحفظ بيانات التدريب بدلاً من التعلم للتعميم في مواقف جديدة. ووجدوا أن تكويناً معيناً يحتوي على ثلاث طبقات من هذه الكتل المعقدة حقق التوازن المثالي، مما سمح للنموذج بتعلم تفاصيل الحركة البشرية دون ارتباك. علاوة على ذلك، استبعدت الدراسة صراحة استخدام تقنية شائعة تسمى "المحولات" (transformers) لهذه المهمة المحددة. فقد حاول الباحثون في البداية استخدام هذه البنية، المشهورة بنجاحها في معالجة اللغات، لكنهم وجدوا أنها فشلت في العمل مع مجموعة البيانات الخاصة بهم لأن البيانات لم تكن مرتبة في تسلسل. أدى هذا الفشل إلى صقل نهجهم، والتركيز بدلاً من ذلك على البنية المتوازية متعددة المسارات التي أثبتت نجاحها في النهاية.
أظهر النظام النهائي، HEpose، قوته من خلال تحقيق دقة عالية في تحديد مواضع المفاصل الصحيحة ضمن هامش 150 ملم، وهو معيار مرجعي في هذا المجال. وعند مقارنته بالأساليب الأخرى المتطورة، أنتجت البنية الجديدة باستمرار نتائج أكثر دقة للجسم والوجه واليدين. وأشار الباحثون إلى أنه بينما يعد نظامهم فعالاً للغاية، فإنه يعتمد على افتراض أن المواقع ثنائية الأبعاد الأولية للمفاصل معروفة ودقيقة بالفعل. وفي التطبيقات الواقعية، يعني هذا أن النظام سيحتاج إلى الاقتران بأداة منفصلة يمكنها أولاً اكتشاف مكان المفاصل في صورة مسطحة. وبالرغم من هذا الاعتماد، فإن الدراسة توفر مساراً واضحاً للمضي قدماً، حيث تظهر أن الجمع بين أنواع مختلفة من الشبكات العصبية واحترام الروابط الطبيعية للجسم البشري يمكن أن يؤدي إلى آلات ترى وتفهم وضعية الجسم بدقة مذهلة. ويشير هذا العمل إلى أن مستقبل الرؤية الحاسوبية لا يكمن في بناء نماذج فردية أكبر، بل في إنشاء أنظمة ذكية يمكنها رؤية المشكلة من زوايا متعددة في آن واحد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.