يمكن للذكاء الاصطناعي تخمين سنة الصورة من أعمار الأشخاص

بين تخمين العمر مع السنوات الميلادية المعروفة لتحقيق نتائج أفضل من الطرق القائمة على المشهد. كان من السهل تخمين تاريخ

تظهر الأبحاث الجديدة أن الذكاء الاصطناعي يمكنه استخدام وجوه الأشخاص لتخمين سنة الصورة ، عن طريق الجمع الصورة في الماضي، لأن أسلوب الشعر والملابس كان تتطور المنصة بسرعة.انتهت هذه الدورة السريعة من التغيير منذ حوالي ثلاثين عامًا ، مما يجعل من الصعب تخمين سنة الصورة من خلال النظر إلى الشعر أو الملابس. من الممكن أيضًا تحديد تاريخ الصور والأفلام بناءً على دقة اللون وخصائص الفيلم. لم يكن عليك أن تكون خبيرًا في هذا المجال ، ولكن إذا كنت تشاهد الأفلام القديمة ، سوف تتعرف على الدلالات الثقافية (مثل

الموسيقى والسيارات والأزياء والمواضيع ، إلخ) التي تُرتبط بالفيلم. تظهر هذه الصورة كيفية تحسين فيلم الفيلم بشكل تدريجي لتشمل مجموعة متنوعة من الألوان  والأنماط الإضاءة. المصدر كانت هناك طريقة أخرى لتحديد تاريخ الصورة ، وهي أن تكون الصورة بالأسود والأبيض ، ولكن هذه الطريقة أصبحت غير فعالة بعد انتشار التصوير الرقمي في بداية القرن الحالي. هناك العديد من الأنظمة التجارية والتجريبية التي تحاول

تحديد تاريخ الصور باستخدام هذه الطرق ، مثل PhotoDater. تظهر هذه الصورة كيفية عمل PhotoDater في تحديد تاريخ الصورة. المصدر في حالة عدم وجود علامات واضحة أخرى ، مثل الهواتف الذكية أو التكنولوجيا الخاصة بالعصر ، فإن أفضل طريقة لتحديد عمر الصورة هي معرفة عمره.الشخص في الصورة وتخمين

العمر الوجهي كمرجع

في مجال رؤية الحاسوب، والعديد من المجالات الأخرى (مثل الطب الشرعي، ومعالجة الأرشيف، والصحافة، وهندسة قواعد البيانات، وغيرها)، يُعدّ تحديد عمر الصورة هدفًا بالغ الأهمية، نظرًا لافتقار العديد من المجموعات الرقمية والمادية إلى بيانات تعريفية دقيقة أو احتوائها على معلومات غير صحيحة. لذا، سيكون من المفيد لو استخدم نظام الذكاء الاصطناعي الاصطناعي يمكنه مراجعةالصور بنفس الطريقة التي ننظر بها إلى مجموعتنا التاريخية ، وقول “نعم ، هذا كان عندما…”. السؤال هو ، ما يمكن أن يكون الحافز ، في غياب الدلالات المعتادة؟ تقدم ورقة بحثية جديدة من جمهورية التشيك نقطة انطلاق أولية لهذا

النهج ، من خلال استغلال أنظمة الذكاء الاصطناعي لتحديد العمر ، جنبًا إلى جنب مع أنظمة التعرف على الوجه المرتبطة بقاعدة بيانات مشتركة من الهويات (في هذه الحالة ، مجموعة تشيكية من الممثلين والمنتجين). تظهر هذه الصورة كيفية عمل النظام في تحديد تاريخ الصورة. المصدر يعمل النظام عن طريق  تحديدالأشخاص المعروفين في الصورة ، وتخمين عمرهم باستخدام نموذج مدرب مسبقًا ، وطرح هذا التخمين من سنة ميلادهم لتحديد تاريخ الصورة المحتمل. تم اختبار هذه الطريقة على صور من قاعدة بيانات الأفلام التشيكية والسلوفاكية ، وتبين أن هذا النهجيعطينتائج أكثر دقة من الطرق القائمة على المشهد. يتطلب هذا النظام قاعدة بيانات مركزية تحتوي على معرفات للأشخاص ، ولكن أي مجموعة أخرى تحتوي على تواريخ ميلاد مؤكدة وأحداث مؤكدة يمكن أن تعطي نتائج مماثلة. تنص الورقة على ما يلي: ‘نقدم إطارًا احتماليًا يجمع بين الأدلة البصرية من نموذج التعرف على الوجه

نماذج حديثة لتقدير العمر وآليات زمنية قائمة على المهنة لتحديد سنة التقاط الصورة. تُظهر تجاربنا أن تجميع الأدلة من وجوه متعددة يُحسّن الأداء باستمرار، لا سيما في الصور.

التي تحتوي على عدة أشخاص يمكن التعرف عليهم.’ الورقة الجديدة بعنوان ، وهي من تأليف باحثَين من جامعة التكنولوجيا

التشيكية في طريق تجميع العمر الوجهيبراغ ، مع وعد بنشر الكود والبيانات في وقت لاحق. تاريخ الصورة عن

الطريقة

لتحديد تاريخ الصورة، يقوم نظام الباحثين بفحص كل وجه مُحدد ومحاولة تخمين هويته، باستخدام قاعدة البيانات المذكورة سابقًا. ثم يعمل النظام عكسيًا لتحديد السنة الأكثر ترجيحًا التي تتوافق مع تلك الأعمار:

يسارًا: يُظهر الخط الزمني الذي أنشأه النظام يظهر عندما كان الأفراد المعروفون أكثر نشاطًا ، بناءً على مسيرتهم المهنية. يمينًا: يدمج هذا مع تقديرات العمر

الوجه لإنتاج تقدير نهائي لوقت التقاط الصورة. نظرًا لوجود العديد من الاحتمالات، يفترض النظام أن الوجوه مستقلة، وأن مظهر كل وجه يعتمد على فقطعلى هويته وتاريخ الصورة. تقدير تاريخ الصورة ، يستخدم النظام أولاً نموذج cvut-002 لتقدير عمر كل وجه ، ثم يحول هذا التخمين إلى تاريخ الصورة المحتمل bằng cách إضافة العمر إلى سنة الميلاد. كل هوية تمثلها غموشة متوسطة محسوبة من الصور

المرجعية. يتم قياس التشابه بين وجه الاختبار والهوية باستخدام توزيع Von Mises Fisher  ،يوضح هذا كيفية تجميع الصور حول المتوسط. ويحدد مؤشر الحدة المشترك مدى الثقة في النظام فيتلك التجميعات ، ويتم تقديره باستخدام استراتيجية leave-one-out على الصور المرجعية. يحدد النظام خمسة أنواع من الآليات الزمنية لتقدير متى قد يظهر شخص معترف به في صورة: من أجل التعامل مع التيالوجوه و غير لا يمكن التعرف عليها بثقة ، يحتوي النظام على هوية غير معروفة مع توزيعات غير معلوماتية ، و توزيع زمني مسطح عبر جميع السنوات. أداء النموذج الكامل في ظروف مفتوحة ، حيث تظهر وجوه معروفة

معروفة في نفس الصورة. يزيد متوسط الخطأ المطلق مع عدد الهويات غير المعروفة ، ولكن ي cải thiện بشكل مستمر مع وجود أكثر من الهويات المعروفة.

البيانات والاختبارات

استخدم الباحثون قاعدة بيانات CSFD لإنشاء مجموعة جديدة أسموها CSFD-1.6M. تم بناء هذهالقاعدة من مشاهد تضم عدة أشخاص ، مع كل وجه مصحوب بهوية وسنة. تم استخدام سنوات إصدار الأفلام من قاعدة بيانات الأفلام التشيكية والسلوفاكية لتقدير تاريخ الصورة ، مع مطابقة كل شخص في الصورة لملف عام يحتوي على سنة ميلاده و صورة. بعد ذلك ، تم مطابقة كل وجه في الصورة مع واحدة من الهويات المعروفة ، باستخدام ArcFace لإنشاء غموشات الوجه ، و حساب غموشة متوسطة لكل هوية. ثم تم استخدام خوارزمية Hungarian لتعيين الوجوه للهويات بمقارنة تشابه الغموشات ، مع تعديلات عند عدم مطابقة عدد الوجوه المحتدة مع عدد الأفراد المعروفين. إحصائيات من قاعدة بيانات CSFD-1.6M ، تفاصيل

الصور الممسوحة ، الوجوه المحتدة ، مطابقات الهوية ، العينات النهائية المعلنة ، و

مجموعة الهويات المتاحة. تم رفض المطابقات إذا كان التشابه منخفضًا جدًا أو إذا كان العمر المقدر يختلف بشكل كبير عن العمر الحقيقي ، مع السماح بتحمل أكبر للأفراد الأكبر سنًا ، و لم يتم فلتر

، مما أثبت أنه فعال بشكل جيد في الممارسة. من ناحية أخرى ، كان هناك نموذج أساسي قام بتعيين كل وجه بشكل مستقل وجمع تقديرات السنة القائمة على العمر ، دون النظر

تحديد الوجوه حسب الجودة أو الحجم. ويشير الباحثون إلى تفوق مجموعتهم على مجموعة IMDB-WIKI: “قاعدة بياناتنا ليست أكبر حجمًا فحسب، بل تتكون أيضًا من مشاهد متعددة الأشخاص، مما يسمح بدراسة تجميع المعلومات من وجوه متعددة.” قارن الباحثون عدة إصدارات من نظام تحديد الهوية لفهم مصدر تحسيناته: افترض أحد إصدارات النموذج معرفة كاملة بهوية الشخص الموجود في الصورة، مما يوفر عتبة أداء أعلى من خلال إزالة أي شك في تحديد الهوية. واختار نموذج أبسط التكوين الأكثر احتمالًا للهوية دون تهميش البدائل. الوجوه ،لتحديد مدى معقولية الهويات المدمجة. اختبار جدوى استخدام بأكمله. تم تدريب نموذج منفصل لتقدير التاريخ مباشرة من المشهد

المقاييس والبيانات

كان متوسط الخطأالمطلق بين السنة المتوقعة والقيمة الحقيقية هو المقياس الرئيسي للتحقيق. تم تقسيم البيانات إلى خمسة أجزاء ، مع الحرص على ضمان الاحتفاظ بجميع الصور من الفيلم نفسه في المقطع نفسه. استُخدمت ثلاثة من هذه المقاطع للتدريب، وواحد للتأكيد، وواحد للاختبار. طُبّق هذا التدوير الخماسي لمنع الإفراط في التحسين. النماذج الوجه لم يتم تدريبها على هذه القاعدة ، لم يكن هناك حاجة لتقسيمها ، وبدلاً من ذلك ، تم تقييمها مباشرة على مجموعة CSFD-1.6M الكاملة. لمدة تم تدريب نموذج المشهد 200 دورة تحت خوارزمية Adam ، مع تصغير الصور إلى384×384.

النتائج

قسم قسم النتائج في الورقة بشكل غير عادي عبر عدة مؤشرات أداء ، بدون اختبار مركزي واحد. ومع ذلك ، سنقدم بعض النتائج الأكثر صلة هنا. أهم نتيجة ليست ، ولكن رقمًا واحدًا النمط: نماذج تجميع الوجوه (إصدارات كاملة خاصة) و Top-1) تتفوق بشكل مستمر على نموذج المشهد القوي في وجود شخصين أو أكثر من الأشخاص المعروفين – حتى لو تم تدريب نموذج المشهد مباشرة على تأثير البيانات.التقييم الباحثون السابقة الزمنية ، قارن عدة إصدارات من نموذجهم

الكامل. تم الحصول على الأداء الأقوى باستخدام السابقة العقدية ، التي تفوقت بشكل كبير على نموذج Naive (الذي لا يستخدم سابقة زمنية) و السابقة الموحدة (التي تفترض عدم تفضيل السنوات). ينخفض الأداء بشكل حاد لجميع الطرق مع

زيادة عدد الوجوه ، ولكن النماذج التي تستخدم سابقة زمنية واقعية مثل السابقة العقدية تتأثر بشكل أقل. من أجل إظهار قيمة قاعدة بيانات CSFD-1.6M فيما وراء تاريخ الصورة ، تم اختبار القاعدة أيضًا كموارد مسبقة لغرض الأوسع لتقدير العمر الوجهي.

تم الحصول على نتائج أفضل في جميع پنجة مجموعات الاختبار ، مع فجوة أداء واضحة على مجموعتي AFAD و CLAP2016. متوسط

الخطأ المطلق (بمايونص و معيارية) على خمسة مجموعات اختبار لتقدير العمر ، مقارنة بين النماذج المسبقة على ImageNet و IMDB-WIKI و CSFD-1.6M. القيم الأقل تدل على أداء أفضل. CSFD-1.6M تنتج نتائج أفضل في جميع المجموعات.

الاستنتاج

على الرغم من أن الورقة الجديدة تصبح كثيفة و غير قابلة للقراءة للقارئ العادي ، فإن الموضوع المعالج هو واحد من أكثر المواضيع إثارة للاهتمام و الأهمية في الأدب حول الرؤية الحاسوبية – لا سيما لأنه يتقاطع بشكل ماهر مع الأنثروبولوجيا و الدراسات الثقافية ، حيث تكون الثوابت صعبة التحديد. * مثل تطور الموسيقى ، الذي تباطأ معدل تغيره. نشر لأولمرة

يوم الإثنين ، 10 نوفمبر 2025