Human action recognition based on cascade graph convolutional network
تقترح هذه الورقة شبكة تلافيفية رسومية متتالية (CGCN) تستخدم مصفوفة تجاور هرمية مدركة للحركة لنمذجة ارتباطات المفاصل ديناميكيًا، وبنية متتالية مرحلية لتصنيف الأفعال تدريجيًا مع زيادة تعقيدها، مما يحقق توازنًا فائقًا بين دقة التعرف والكفاءة الحسابية عبر مجموعات بيانات متعددة.
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
لفهم كيف يمكن للكمبيوتر أن يتعرف على حركة بشرية، يجب أولاً فهم كيف يرى الشخص. يعتمد تحليل الفيديو التقليدي غالباً على ألوان وأشكال المشهد، محاولاً تحديد هوية الشخص من خلال ملابسه أو الخلفية التي يقف فيها. هذا النهج هش؛ فتغيير في الإضاءة أو وجود حشد مزدحم يمكن أن يربك الآلة. أما الطريقة الأكثر قوة فتركز على الهيكل العظمي نفسه، وهو خريطة هيكلية للجسم محددة بمواقع المفاصل مثل الكتفين، والمرفقين، والركبتين. ومن خلال تتبع هذه النقاط بمرور الوقت، يمكن للكمبيوتر تجاهل مشتتات البيئة والتركيز فقط على الحركة. هذا هو أساس التعرف على الأفعال القائم على الهيكل العظمي، وهو مجال انتقل من مجرد اتباع قواعد بسيطة إلى أنظمة تعلم معقدة. ومن بين هذه الأنظمة، أصبح نوع من الذكاء الاصطناعي يُعرف باسم "الشبكة التلافيفية الرسومية" (graph convolutional network) أداة قياسية. فهي تتعامل مع جسم الإنسان كرسوم بيانية متصلة، حيث تكون المفاصل هي العقد والعظام التي تربطها هي الحواف، مما يسمح للكمبيوتر بتعلم كيفية تأثير حركة جزء من الجسم على جزء آخر.
وعلى الرغم من هذه التطورات، لا تزال هناك عقبة كبيرة. فمعظم الأنظمة الحالية تعامل كل حركة كما لو كانت تتطلب خريطة كاملة ومفصلة للجسم بأكمله. إنها تجبر الكمبيوتر على معالجة جميع المفاصل الخمسة عشر لكل حركة على حدة، سواء كانت موجة بسيطة باليد أو قفزة معقدة. وهذا أمر مكلف حاسوبياً وبطيء، تماماً مثل قراءة موسوعة كاملة للعثور على كلمة واحدة. علاوة على ذلك، تعتمد هذه الأنظمة غالباً على خريطة ثابتة من الاتصالات، مفترضة أن المفاصل التي تتلامس جسدياً فقط هي التي يمكن أن تؤثر في بعضها البعض. وهذا يتجاهل العلاقات غير الفيزيائية الدقيقة التي تحدث أثناء الحركات المعقدة، مثل كيف تتحرك اليد تحسباً لخطوة قدم، أو كيف يعمل الجذع على تثبيت ذراع تمتد للوصول لشيء ما. والنتيجة هي نظام يكون إما بطيئاً جداً بحيث لا يصلح للاستخدام في الوقت الفعلي، أو جامداً جداً بحيث لا يستطيع رصد تفاصيل السلوك البشري الدقيق.
وقد اقترح باحثون من جامعة جيانغشي للطب الصيني وجامعة نانتشانغ نهجاً جديداً لحل هاتين المشكلتين: السرعة والدقة. فقد طوروا نظاماً يسمى "الشبكة التلافيفية الرسومية المتتالية" (Cascade Graph Convolutional Network). وبدلاً من إجبار الكمبيوتر على تحليل الجسم كاملاً لكل فعل، يعمل هذا النظام في مراحل، تماماً مثل نقطة تفتيش أمنية تصفي الأشخاص بناءً على درجة الخطورة. تبدأ العملية برؤية بسيطة جداً للجسم، باستخدام خمس مفاصل رئيسية فقط: الرأس والمفاصل الرئيسية للأطنان الأربعة. إذا كان الكمبيوتر واثقاً بما يكفي في تخمينه بناءً على هذه المعلومات الشحيحة، فإنه يتوقف عند هذا الحد ويعلن تحديد الفعل. وفقط إذا كانت الحركة غامضة أو معقدة، ينتقل النظام إلى المرحلة التالية، مضيفاً المزيد من المفاصل للتحليل، أولاً إلى عشرة، وأخيراً إلى المجموعة الكاملة المكونة من خمسة عشر مفصلاً. هذا التحسين التدريجي يعني أن الأفعال البسيطة، مثل الوقوف أو المشي، يتم التعرف عليها فوراً تقريباً بأقل قدر من البيانات، بينما تتطلب الحركات الصعبة والدقيقة فقط القوة الحسابية الكاملة للهيكل العظمي الكامل.
ولجعل هذا النظام أكثر دقة، قام الباحثون أيضاً بتغيير كيفية فهم الكمبيوتر للروابط بين المفاصل. تستخدم الطرق التقليدية خريطة ثابتة تعتمد على التشريح، حيث ترتبط اليد بالمرفق فقط. ومع ذلك، يتعلم النظام الجديد خريطة ديناميكية تتغير بناءً على الحركة نفسها. فهو يحسب كيفية تحرك أجزاء مختلفة من الجسم بالنسبة لبعضها البعض بمرور الوقت، ويحدد العلاقات الخفية التي ليست متصلة فيزيائياً ولكنها مرتبطة وظيفياً. على سبيل المثال، يمكنه اكتشاف أن سرعة حركة الركبة ترتبط بتسارع المعصم، رغم أنهما بعيدان عن بعضهما في الجسم. ومن خلال الجمع بين هذا الفهم الديناميكي ومجموعة أغنى من البيانات التي لا تشمل فقط أين توجد المفاصل، بل أيضاً سرعة تحركها وتسارعها، يكتسب النظام فهماً أعمق للفعل.
اختبر الفريق هذا الأسلوب الجديد على ثلاث مجموعات مختلفة من البيانات، بما في ذلك مجموعة بيانات جُمعت حديثاً للحركات اليومية. وأظهرت النتائج أن النظام يمكنه تحديد الأفعال بدقة عالية مع كونه أسرع بكثير من الأساليب السابقة. ففي مجموعة بيانات UT-3D، حقق النهج الجديد دقة بلغت 97.50%، مما وضع معياراً جديداً متطوراً وتفوق على ثاني أفضل طريقة بفارق 5.00 نقاط مئوية. وفي مجموعة بيانات Florence-3D، وصل إلى 93.48%، ليحتل المرتبة الثانية بعد نظام أكثر تعقيداً وبطئاً بكثير. والأهم من ذلك، كان الأسلوب الجديد فعالاً بشكل كبير؛ فبينما كانت الأنظمة الأخرى تستغرق مئات المللي ثانية لمعالجة فعل واحد، كان هذا النظام المتتالي ينتهي غالباً في أقل من 16 مللي ثانية. وعند تقييم التوازن العام بين السرعة والدقة، سجل النهج الجديد درجات شبه مثالية، بينما سجلت الأنظمة الأبطأ والأكثر دقة درجات أقل بكثير.
ويقر الباحثون بأن نظامهم ليس خالياً من القيود. فهو يعاني عندما تكون أجزاء من الجسم مخفية عن الأنظار أو عندما يتداخل عدة أشخاص في الإطار، حيث تصبح خريطة الهيكل العظمي غير مكتملة. كما أنه يعتمد على بيانات جُمعت في بيئات خاضعة للرقابة، مما يعني أنه قد لا يكون جاهزاً بعد لعشوائية وضجيج شارع مزدحم أو غرفة ممتلئة بالناس. ومع ذلك، فإن الابتكار الجوهري يقدم مساراً واضحاً للمضي قدماً. فمن خلال إثبات أن الكمبيوتر لا يحتاج لرؤية الجسم كاملاً لفهم فعل بسيط، ومن خلال تعليم الآلة البحث عن الروابط الخفية بين الأجز المتحركة، يوضح هذا العمل أن الكفاءة والذكاء يمكن أن يتعايشا. فالنظام لا يكتفي بالتعرف على ما يفعله الشخص فحسب، بل يفهم الفعل بمستوى من الدقة كان في السابق حكراً على النماذج الأبطأ والأكثر استهلاكاً للموارد، مما يقرب إمكانية إجراء تحليل حركي ذكي وفي الوقت الفعلي من الواقع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.