تعلم الرسم البياني لعلاقة الوحدات الفعلية للوجه بناءً على خصائص الحواف متعددة الأبعاد

تنشيط وحدات الحركة الوجهية (AUs) يؤثر بشكل متبادل على بعضه البعض. بينما يمكن أن تكون العلاقة بين زوج من وحدات الحركة الوجهية معقدة ومميزة، فإن الأساليب الموجودة فشلت في تمثيل مثل هذه العلامات بشكل خاص ومحدد لكل زوج من وحدات الحركة الوجهية في كل عرض وجهي. يقترح هذا البحث نهجًا لنمذجة علاقة وحدات الحركة الوجهية يقوم بتعلم رسم بياني فريد بعمق لوصف العلاقة بين كل زوج من وحدات الحركة الوجهية للعرض الوجهي المستهدف. يبدأ نهجنا بتشفير حالة تنشيط كل وحدة حركة وجيهة وارتباطها بوحدات الحركة الأخرى في ميزة عقدة. ثم، يتعلم زوجًا من الميزات الحاشية متعددة الأبعاد لوصف العديد من العلامات المتعلقة بالعلاقة المحددة للمهمة بين كل زوج من وحدات الحركة الوجهية. أثناء تعلم ميزات العقد والحواف، يأخذ نهجنا أيضًا بعين الاعتبار تأثير العرض الوجهي الفريد على علاقة وحدات الحركة الوجهية عن طريق استخدام تمثيل الوجه الكامل كمدخل. أظهرت النتائج التجريبية على قواعد بيانات BP4D وDISFA أن كلاً من مودولي تعلم ميزات العقد والميزات الحاشية يقدمان تحسينات كبيرة في الأداء للأساسيات المستندة إلى شبكات التعلم العميق (CNN) والأساسيات المستندة إلى المتحولات (transformers)، حيث حققت أفضل أنظمتنا نتائج اعتراف بأحاديث الحركة الوجهية (AU recognition) متقدمة على مستوى التقنية الحديثة. لا يقتصر نهجنا على قدرته القوية في نمذجة علامات العلاقات لأحاديث الحركة الوجهية فحسب، بل يمكن دمجه بسهولة في مختلف الأساسيات. لقد جعلنا شفرتنا المصدرية PyTorch متاحة.请注意，最后一句中的“PyTorch”是一个专有名词，通常在阿拉伯语中直接使用英文形式。如果您希望将其翻译为阿拉伯语，可以写作 "كودنا المصدري PyTorch"。