نماذج ومنصات الذكاء الاصطناعي

DeepFace للتعرف المتقدم على الوجوه

Kunal Kejriwal
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيسدّ DeepFace الفجوة في الدقة بين الرؤية الآلية وأنظمة التعرف على الوجوه البشرية.
عرض المزيد
  • يسدّ DeepFace الفجوة في الدقة بين الرؤية الآلية وأنظمة التعرف على الوجوه البشرية.
  • يتيح النمذجة ثلاثية الأبعاد الصريحة لـ DeepFace محاذاة الوجوه رغم تنوع الأوضاع والتعابير وتغيرات الإضاءة.
  • يمثل الشكل أعلاه البنية العامة لنموذج DeepFace.

يحظى التعرف على الوجوه باهتمام كبير في الذكاء الاصطناعي والتعلم الآلي، وله آثار ثقافية واجتماعية واسعة. ومع ذلك، فإن الفجوة بين أداء الرؤية البشرية والآلات تحدّ من بعض تطبيقاته.

لتقليص هذه الفجوة والوصول إلى دقة بشرية، قدمت Meta إطار DeepFace للتحقق من الوجوه والتعرف عليها. يتدرب النموذج على بيانات وجوه كبيرة تختلف عن مجموعات التقييم، ويهدف إلى إنتاج تمثيلات قابلة للتعميم بتعديلات محدودة. كما ينتج تمثيلات مدمجة مقارنة بأنظمة تستخرج آلاف السمات الوجهية.

يعتمد الإطار على التعلم العميق وبيانات واسعة تشمل، وفق وصف المقال، الصور والفيديو والرسوم. ويفترض أنه بعد المحاذاة تصبح مواضع مناطق الوجه متسقة على مستوى البكسل، مما يتيح الاستفادة من قيم RGB الخام بدل الاعتماد على معالجة التفافية متكررة كما في بعض الأطر الأخرى.

يتكون المسار التقليدي من أربع مراحل: الكشف، والمحاذاة، والتمثيل، والتصنيف. يستخدم DeepFace نمذجة ثلاثية الأبعاد صريحة وتحويلات مقطعية، ثم شبكة عميقة من تسع طبقات لاستخراج تمثيل الوجه. وتتمثل مساهمتاه الأساسيتان في بنية شبكة تستفيد من البيانات الكبيرة لتعميم التمثيلات على مجموعات بيانات أخرى، ونظام محاذاة فعال قائم على نمذجة الوجه ثلاثية الأبعاد.

كيف يعمل DeepFace؟

محاذاة الوجه

تُستخدم المحاذاة، مثل تدوير الصورة وفق زاوية العينين، لمعالجة بيانات التعرف على الوجوه مسبقًا وتقديم مدخلات موحدة. لكنها صعبة في الظروف غير المقيدة بسبب تغير التعبير والوضعية وغيرهما. ويمكن استخدام نموذج ثلاثي الأبعاد أو اكتشاف نقاط مرجعية للوجه لمعالجة هذه الصعوبات.

لا توجد طريقة مثالية للمحاذاة. يناقش المصدر تراجع شيوع بعض الأساليب ثلاثية الأبعاد في البيئات غير المقيدة، لكنه يشير إلى أن الوجه جسم ثلاثي الأبعاد وقد تفيد نمذجته إذا استُخدمت بطريقة مناسبة. يستخدم DeepFace نقاطًا مرجعية لإنشاء نموذج تحليلي للوجه، ثم يشوّه قصاصة الوجه هندسيًا إلى وضع أمامي.

توجّه كواشف النقاط المرجعية العملية عبر عدة تكرارات لتحسين الناتج. في كل تكرار يستخرج نموذج انحدار متجهات الدعم (SVR) النقاط من واصف الصورة، مستفيدًا من القيود على ترتيبها. يعتمد الواصف على مدرجات الأنماط الثنائية المحلية (LBP)، مع إمكان النظر في سمات أخرى.

المحاذاة ثنائية الأبعاد

يبدأ DeepFace باكتشاف ست نقاط مرجعية داخل منطقة الوجه المكتشفة، عند العينين والفم وطرف الأنف. تُستخدم لتدوير الصورة وتغيير مقياسها وإزاحتها لتطابق ستة مواضع ثابتة. تتكرر العملية على الصورة المحوّلة حتى لا يظهر تغير واضح، ثم تُجمع التحويلات لإنتاج قصاصة وجه محاذاة ثنائيًا. تشبه الطريقة المستخدمة في LFW-a لتحسين الدقة.

المحاذاة ثلاثية الأبعاد

لمعالجة دوران الوجه خارج مستوى الصورة، يستخدم الإطار شكلًا عامًا ثلاثي الأبعاد ويقدّر نموذج كاميرا يربط قصاصة الوجه ثنائية الأبعاد بهذا الشكل. يحدد SVR ثانٍ 67 نقطة مرجعية إضافية في القصاصة المحاذاة ثنائيًا.

تُحدد المواضع المرجعية الـ67 على الشكل ثلاثي الأبعاد يدويًا لتحقيق التطابق مع نقاط الصورة. ثم يُقدّر تحويل كاميرا أفيني من ثلاثي الأبعاد إلى ثنائي الأبعاد باستخدام المربعات الصغرى المعممة ونظام خطي ذي مصفوفة تغاير معلومة لتقليل أخطاء معينة.

تحويل الوجه إلى وضع أمامي

لا يمثل نموذج الكاميرا جميع التشوهات غير الصلبة أو الإسقاط المنظوري الكامل، لذلك يظل تقريبًا. للحفاظ على خصائص الهوية، يضيف DeepFace بواقي التحويل إلى مركبتي x وy لكل نقطة مرجعية. يقلل ذلك تشويه السمات المميزة؛ فمن دونه قد تُجبر الوجوه على الشكل الثلاثي الأبعاد نفسه وتفقد فروقًا مهمة.

أخيرًا، يُنشأ الوجه الأمامي بتحويل أفيني مقطعي توجهه شبكة تثليث ديلوناي المستخرجة من 67 نقطة.

  1. الوجه المكتشف مع ست نقاط مرجعية.
  2. قصاصة الوجه المحاذاة ثنائيًا.
  3. النقاط المرجعية الـ67 على القصاصة.
  4. الشكل المرجعي ثلاثي الأبعاد بعد إسقاطه على صورة القصاصة.
  5. تحديد المثلثات المرئية وفق نموذج الكاميرا.
  6. النقاط المرجعية الناتجة عن النموذج ثلاثي الأبعاد.
  7. النسخة النهائية المحاذاة ثلاثيًا.
  8. منظور جديد يولده النموذج.

التمثيل

مع زيادة بيانات التدريب، تصبح الأساليب المتعلمة أكثر كفاءة ودقة من السمات المصممة يدويًا لأنها تكتشف السمات المناسبة للمهمة وتُحسنها.

بنية الشبكة والتدريب

تُدرب شبكة DeepFace على تصنيف هوية الوجه ضمن فئات متعددة. تتلقى الطبقة الالتفافية C1 صورة RGB بثلاث قنوات، محاذاة ثلاثيًا بحجم 152×152 بكسل. وتستخدم 32 مرشحًا بحجم 11×11×3 لإنتاج 32 خريطة سمات.

تليها طبقة التجميع الأقصى M2، التي تأخذ القيمة القصوى ضمن جوار 3×3 بخطوة 2 لكل قناة، ثم طبقة التفاف C3 ذات 16 مرشحًا. يذكر المصدر أبعاد المرشح 9×9×16. تستخرج هذه الطبقات سمات منخفضة المستوى مثل النسيج والحواف البسيطة. ويزيد التجميع الأقصى تحمل الإزاحات المحلية وأخطاء المحاذاة الصغيرة.

لكن تكرار التجميع قد يفقد الشبكة المواضع الدقيقة للأنسجة الصغيرة وبنى الوجه. لذلك يستخدم DeepFace التجميع الأقصى بعد الطبقة الالتفافية الأولى فقط. تعمل هذه الطبقات كمعالجة مسبقة تكيفية: تتحمل معظم الحسابات، لكن عدد معاملاتها محدود وتحول المدخل إلى سمات محلية.

الطبقات L4 وL5 وL6 متصلة محليًا. تتعلم كل منطقة مرشحاتها الخاصة بدل مشاركة مرشح واحد في جميع المواضع، لأن مناطق الوجه المحاذى لا تملك الإحصاءات المحلية نفسها. مثلًا قد تكون المنطقة بين الحاجبين والعينين أكثر تمييزًا من المنطقة بين الفم والأنف. يزيد هذا عدد المعاملات المتعلمة، دون التأثير في العبء الحسابي أثناء استخراج السمات.

تدعم وفرة البيانات الموسومة استخدام ثلاث طبقات محلية، كما يمكن لكل وحدة خرج أن تتأثر برقعة كبيرة من الصورة. أما الطبقات العليا فمتصلة بالكامل لالتقاط العلاقات بين سمات مناطق مختلفة، مثل موضع وشكل الفم والعينين. يُستخدم خرج F7 كمتجه تمثيل خام للوجه، ويمر خرج F8 إلى softmax ذي K فئات لإنتاج توزيع على الهويات.

مجموعات البيانات

يعتمد النموذج أساسًا على SFC، ويستخدم كذلك LFW وYTF.

SFC

تضم مجموعة Social Face Classification صورًا من Facebook (META )، بعدد 4.4 مليون صورة موسومة لـ4,030 شخصًا، مع نحو 800 إلى 1,200 وجه لكل شخص. تُحجز أحدث 5% من صور كل هوية للاختبار.

LFW

تضم 13,323 صورة لأكثر من خمسة آلاف شخصية معروفة، وتُستخدم 6,000 زوج من الوجوه موزعة على عشرة أقسام للتقييم.

YTF

تضم 3,425 فيديو لـ1,595 شخصًا، وهم مجموعة فرعية من الشخصيات الموجودة في LFW.

النتائج

دون تحويل الوجه إلى وضع أمامي، ومع المحاذاة ثنائية الأبعاد وحدها، تصل الدقة إلى نحو 94.3%. وعند استخدام القصاصة المركزية من كشف الوجه دون محاذاة تنخفض إلى 87.9%، لأن أجزاء من الوجه قد تقع خارج القصاصة.

لتقييم قدرة التمثيل على التمييز بصورة منفصلة، يُقارن الجداء الداخلي لمتجهات السمات المُطبَّعة في إعداد غير خاضع للإشراف. يذكر المصدر أن متوسط الدقة يصل بذلك إلى 95.92%.

مقارنة أداء DeepFace بأطر أخرى للتعرف على الوجوه.

منحنيات خصائص تشغيل المستقبل ROC على مجموعة البيانات.

الخلاصة

ينبغي للنظام المثالي أن يتعرف على الوجوه بدقة بشرية مهما تغيرت جودة الصورة والوضعية والتعبير والإضاءة، وأن يُطبق في استخدامات متعددة بتعديلات قليلة أو دون تعديلات. ورغم أهمية DeepFace، فإنه ليس مثاليًا وقد يخطئ في ظروف معينة. يمثل إطار DeepFace محطة مهمة في التعرف على الوجوه؛ ويصف المقال استخدامه لتقنية قوية للتعلم المتري لتقليص فجوة الأداء، ويتوقع استمرار تحسن كفاءته بمرور الوقت.

كونال كيجريوال مهندس برمجيات للأنظمة الخلفية، متخصص في Python وPostgreSQL وRedis والبنية التحتية السحابية على GCP وAWS. لديه ثلاث سنوات من الخبرة في بناء الأنظمة البرمجية المستخدمة فعليًا وتوسيع نطاقها، ويكتب عن البنية التحتية للذكاء الاصطناعي والأنظمة الموزعة والبنية المعمارية لنشر أعباء عمل التعلم الآلي.