KEPLER: تقدير النقاط الرئيسية والوضع لوجوه غير مقيدة من خلال تعلم مُرجِّحات H-CNN الكفؤة

اكتشاف النقاط الرئيسية هو أحد أهم خطوات ما قبل المعالجة في مهام مثل نمذجة الوجه، والتعرف عليه والتحقق منه. في هذا البحث، نقدم طريقة تكرارية لتقدير النقاط الرئيسية وتوقع وضعية الوجوه غير المقيدة من خلال تعلم المصنفات العصبية المتلافهة الفعالة (KEPLER) لمعالجة مشكلة تنسيق الوجه. أظهرت الأساليب الحديثة الأكثر تقدماً تحسينات في اكتشاف نقاط الوجه الرئيسية من خلال استخدام شبكات العصب المتلافية (CNNs). رغم أن شبكة عصبية بسيطة يمكنها أن تتعلم التحويل بين فضاءات الإدخال والإخراج، إلا أنها لا تستطيع تعلم الارتباطات الهيكلية المتأصلة. نقدم هندسة جديدة تسمى H-CNN (شبكة خرائط الحرارة العصبية المتلافية) التي تلتقط الخصائص العالمية والمحلية المنظمة، مما يساعد على تحقيق اكتشاف دقيق للنقاط الرئيسية. يتم تدريب H-CNN بشكل مشترك على مرئية الوجه، والنقاط المرجعية ووضعية 3D للوجه. مع تقدم التكرارات، تنخفض الخطأ مما يجعل التدرجات صغيرة وبالتالي يتطلب تدريباً فعالاً للمصنفات العصبية المتلافية العميقة (DCNNs) للتخفيف من ذلك. يقوم KEPLER بالتصحيحات العالمية في وضعية الوجه والنقاط المرجعية في الأربع عمليات التكرارية الأولى، ثم يتبعها بالتصحيحات المحلية في المرحلة اللاحقة. كمنتج ثانوي، يقدم KEPLER أيضاً وضعية 3D (الانحناء، الانحراف الجانبي والدوران) للوجه بدقة عالية. في هذا البحث، نوضح أن KEPLER يتفوق على الأساليب الأكثر حداثة لتنسيق الوجوه في مجموعات البيانات الصعبة مثل AFW وAFLW دون استخدام أي معلومات 3D.请注意，"H-CNN" 被翻译为 "شبكة خرائط الحرارة العصبية المتلافية"，这是根据其英文全称 "Heatmap-CNN" 的意思进行的翻译。同时，“DCNNs”被翻译为“المصنفات العصبية المتلافية العميقة”，这是深度卷积神经网络（Deep Convolutional Neural Networks）在阿拉伯语中的通用译法。其他专业术语如“keypoint detection”、“face modeling”、“recognition and verification”等也被相应地翻译成了符合阿拉伯语习惯的专业词汇。