التعلم والاستدلال المتمحور حول الرسم البياني المدرك للحافة لتحليل الوجه

تُحدد عملية تحليل الوجه (Face parsing) تسمية لكل بكسل تابع لمكون وجهي، وقد لاقت هذه المهمة اهتمامًا كبيرًا في الآونة الأخيرة. وقد أظهرت الطرق السابقة كفاءتها في تحليل الوجه، لكنها تتجاهل عادة الترابط بين مناطق الوجه المختلفة. ويشكل هذا الترابط مؤشرًا حاسمًا حول مظهر الوجه، ووضعه، وتعبيراته، وغيرها من الخصائص، ويجب أخذها بعين الاعتبار لتحسين دقة تحليل الوجه. ولتحقيق هذا الهدف، نقترح نمذجة واستنتاج العلاقات بين المناطق من خلال تعلم تمثيلات رسمية (Graph representations)، واستغلال معلومات الحواف بين المناطق لتحسين عملية الاستخلاص التلقائي. بشكل محدد، نقوم بتمثيل صورة الوجه كتمثيل رسم بياني عالمي، حيث يتم تضمين مجموعة من البكسلات (التي نسميها "مناطق") ذات خصائص متشابهة في كل رأس (Vertex) من رؤوس الرسم البياني. ويعتمد نموذجنا على تعلم واستنتاج العلاقات بين هذه المناطق من خلال تبادل المعلومات عبر الرؤوس في الرسم البياني. علاوةً على ذلك، ندمج معلومات الحواف لجمع ميزات البكسلات على مستوى الرؤوس، مما يعزز الميزات الواقعة بالقرب من الحواف، ما يسهم في تحسين التجزئة الدقيقة على طول الحواف. ويتم في النهاية إعادة تمرير التمثيل الرسّامي المُتعلّم إلى شبكة البكسلات لإنجاز عملية التحليل. وقد أظهرت التجارب أن نموذجنا يتفوق على الطرق الحالية الأفضل في مجموعة بيانات Helen الشهيرة، كما يُظهر أداءً متفوقًا على مجموعتي بيانات كبيرتي الحجم هما CelebAMask-HQ وLaPa. يمكن الوصول إلى الكود عبر الرابط التالي: https://github.com/tegusi/EAGRNet.