الكشف عن الوجه والمحاذاة المشتركة باستخدام شبكات التحويل المتعددة المهام

اكتشاف الوجوه وضبطها في بيئات غير مقيدة يمثل تحديًا بسبب الأوضاع المختلفة والإضاءات والتشويشات. تظهر الدراسات الحديثة أن أساليب التعلم العميق يمكن أن تحقق أداءً متميزًا在这两个任务上. في هذا البحث،我们提出了一种利用它们之间固有相关性的深层级联多任务框架，以提高其性能. بشكل خ�ص، يتبنى إطارنا هيكلية متسلسلة تتكون من ثلاث مراحل من شبكات الت➡컨volution العميقة المصممة بعناية والتي تتنبأ بموقع الوجه وعلاماته بطريقة تقريبية إلى دقيقة. بالإضافة إلى ذلك，在学习过程中，我们提出了一种新的在线难样本挖掘策略，可以自动改善性能而无需手动选择样本. طريقتنا تحقق دقة فائقة مقارنة بأحدث التقنيات على المعايير الصعبة لـ FDDB و WIDER FACE لاكتشاف الوجوه، وعلى معيار AFLW لضبط الوجوه، مع الحفاظ على الأداء الفعلي الزمني.请注意，上述翻译中有一部分未能完全转换为阿拉伯语。以下是修正后的版本：اكتشاف الوجوه وضبطها في بيئات غير مقيدة يمثل تحديًا بسبب الأوضاع المختلفة والإضاءات والتشويشات. تظهر الدراسات الحديثة أن أساليب التعلم العميق يمكن أن تحقق أداءً متميزًا في هذين المهمتين. في هذا البحث، نقترح إطار عمل متعدد المهام ذو مستوى عميق ومترابط الذي يستغل العلاقة الطبيعية بينهما لتعزيز أدائهما. بشكل خاص، يتبنى إطارنا هذا بنية متسلسلة تتكون من ثلاث مراحل من شبكات التحويل العميقة (Convolutional Networks) المصممة بدقة والتي تتنبأ بموقع الوجه وعلاماته الرئيسية بطريقة تقريبية إلى دقيقة. بالإضافة إلى ذلك، خلال عملية التعلم، نقترح استراتيجية جديدة لاستخراج العينات الصعبة عبر الإنترنت (Online Hard Sample Mining) التي يمكنها تحسين الأداء بشكل آلي دون الحاجة إلى اختيار عينات يدويًا. حققت طريقتنا دقة فائقة مقارنة بأحدث التقنيات على المعايير الصعبة لـ FDDB و WIDER FACE لاكتشاف الوجوه، وعلى معيار AFLW لضبط الوجوه، مع الحفاظ على الأداء الفعلي الزمني.