إن اكتشاف نقاط الملامح الوجهية يُعد خطوة أساسية لعدة تطبيقات تحليل صور الوجه. وعلى الرغم من أن بعض الطرق القائمة على التعلم العميق قد حققت أداءً جيدًا في هذه المهمة، إلا أنها غالبًا ما تكون غير مناسبة لتشغيلها على الأجهزة المحمولة. تعتمد هذه الطرق على شبكات تحتوي على عدد كبير من المعاملات، مما يجعل التدريب والاستنتاج وقتين طويلين. كما أن تدريب الشبكات العصبية الخفيفة مثل MobileNets غالبًا ما يكون تحديًا، وقد تؤدي النماذج الناتجة إلى دقة منخفضة. مستوحى من تقنية استخلاص المعرفة (Knowledge Distillation - KD)، تقدم هذه الورقة دالة خسارة جديدة لتدريب شبكة طالب خفيفة الوزن (مثل MobileNetV2) لاستشعار نقاط الملامح الوجهية. نستخدم شبكة مُدرّبَتين كمُدرّبين (Teacher)، هما: مُدرّب مُرن (Tolerant-Teacher) ومُدرّب صارم (Tough-Teacher) بالتزامن مع الشبكة الطالبة. يتم تدريب المُدرّب المرن باستخدام نقاط ملامح "ناعمة" (Soft-landmarks) تم إنشاؤها بواسطة نماذج الأشكال النشطة (Active Shape Models)، بينما يتم تدريب المُدرّب الصارم باستخدام نقاط الملامح الحقيقية (التي تُعرف بـ Hard-landmarks). لاستغلال النقاط المُستخرجة من شبكات المُدرّبين، نعرّف خسارة مساعدة (Assistive Loss - ALoss) لكل شبكة مُدرّب. بالإضافة إلى ذلك، نعرّف دالة خسارة تُسمى KD-Loss، والتي تستخدم نقاط الملامح المستخرجة من الشبكتين المُدرّبتين (EfficientNet-b3) لمساندة الشبكة الطالبة الخفيفة في التنبؤ بـ Hard-landmarks. أظهرت النتائج التجريبية على ثلاث مجموعات بيانات وجوه صعبة أن البنية المقترحة تؤدي إلى تدريب شبكة طالب أكثر فعالية، قادرة على استخراج نقاط الملامح الوجهية بدقة عالية.