كل شخص فريد من نوعه: نحو استعادة الشبكة البشرية دون تحيز

نعتبر مشكلة استعادة الشبكة البشرية للأشخاص البدين، أي مطابقة شبكة بشرية معلمة إلى صور الأشخاص البدين. على الرغم من أن مطابقة الشبكة البشرية للشخص البدين هي مشكلة مهمة ذات تطبيقات عديدة (مثل الرعاية الصحية)، فإن الكثير من التقدم الحديث في استعادة الشبكات كان مقتصراً على صور الأشخاص غير البدينين. في هذا العمل، نحدد هذه الفجوة الحرجة في الأدبيات الحالية من خلال تقديم ومناقشة قيود الخوارزميات الموجودة. بعد ذلك، نقدم أساساً بسيطاً لمعالجة هذه المشكلة يمكن توسيعه واستخدامه بسهولة مع الخوارزميات الموجودة لتحسين أدائها. أخيراً، نقدم خوارزمية تحسين شبكات بشرية شاملة تحسن بشكل كبير من أداء الطرق الحالية على كل من صور الأشخاص البدينين وعلى مجموعات البيانات المعيارية للمجتمع. أحد الابتكارات الرئيسية لهذه التقنية هو أنها لا تعتمد على الإشراف من معلمات الشبكة التي تكون باهظة الثمن لإنشائها. بدلاً من ذلك، انطلاقاً من شروح النقاط الرئيسية ثنائية الأبعاد المتاحة بشكل واسع وبتكلفة رخيصة، تقوم طريقتنا بإنشاء معلمات الشبكة secara تلقائياً والتي يمكن استخدامها بدورها لإعادة تدريب وتuning ضبط أي خوارزمية تقدير شبكة موجودة. بهذه الطريقة، نظهر أن طريقتنا تعمل كحل محل لتحسين أداء مجموعة متنوعة واسعة من طرق تقدير الشبكة المعتمدة حديثاً. نقوم بأجراء تجارب واسعة النطاق على عدة مجموعات بيانات تتضمن كلًا من الصور القياسية والصور الخاصة بالأشخاص البدينين ونبين فعالية التقنيات المقترحة لدينا.注：在最后一段中，“secara” 和 “tuning” 是打字错误，正确的阿拉伯语单词应该是：secara -> بشكل (bi-shakl)tuning -> ضبط (dabt)修正后的版本如下：نعتبر مشكلة استعادة الشبكة البشرية للأشخاص البدين، أي مطابقة شبكة بشرية معلمة إلى صور الأشخاص البدينين. على الرغم من أن مطابقة الشبكة البشرية للشخص البدين هي مشكلة مهمة ذات تطبيقات عديدة (مثل الرعاية الصحية)، فإن الكثير من التقدم الحديث في استعادة الشبكات كان مقتصراً على صور الأشخاص غير البدينين. في هذا العمل، نحدد هذه الفجوة الحرجة في الأدبيات الحالية من خلال تقديم ومناقشة قيود الخوارزميات الموجودة. بعد ذلك، نقدم أساساً بسيطاً لمعالجة هذه المشكلة يمكن توسيعه واستخدامه بسهولة مع الخوارزميات الموجودة لتحسين أدائها. أخيراً، نقدم خوارزمية تحسين شبكات بشرية شاملة تحسن بشكل كبير من أداء الطرق الحالية على كل من صور الأشخاص البدينين وعلى مجموعات البيانات المعيارية للمجتمع. أحد الابتكارات الرئيسية لهذه التقنية هو أنها لا تعتمد على الإشراف من معلمات الشبكة التي تكون باهظة الثمن لإنشائها. بدلاً من ذلك، انطلاقاً من شروح النقاط الرئيسية ثنائية الأبعاد المتاحة بشكل واسع وبتكلفة رخيصة، تقوم طريقتنا بإنشاء معلمات الشبكة بشكل تلقائي والتي يمكن استخدامها بدورها لإعادة تدريب وضبط أي خوارزمية تقدير شبكة موجودة. بهذه الطريقة، نظهر أن طريقتنا تعمل كحل محل لتحسين أداء مجموعة متنوعة واسعة من طرق تقدير الشبكة المعتمدة حديثاً. نقوم بأجراء تجارب واسعة النطاق على عدة مجموعات بيانات تتضمن كلًا من الصور القياسية والصور الخاصة بالأشخاص البدينين ونبين فعالية التقنيات المقترحة لدينا.