Transformer هايبرغراف للتعريف بالإجراء القائم على الهيكل العظمي

تمامًا كما هو مذكور في النص الأصلي، إليك الترجمة المطلوبة باللغة العربية، وفقًا للمعايير المحددة:يهدف التعرف على الحركات القائمة على الهيكل العظمي إلى تحديد الحركات البشرية بناءً على إحداثيات المفاصل البشرية مع التوصيلات العظمية بينها. من خلال تعريف رسم بياني حيث تكون المفاصل عقدًا والاتصالات الطبيعية بينها حوافًا، تمكّن الدراسات السابقة من استخدام الشبكات العصبية الرسومية (GCNs) لتمثيل التوافر المشترك بين المفاصل، وحققت أداءً متفوقًا. في الآونة الأخيرة، تم تحديد عيب في الشبكات العصبية الرسومية، وهو أن التوبولوجيا تبقى ثابتة بعد التدريب. ولتخفيف هذا القيود، تم اعتماد آلية الانتباه الذاتي (Self-Attention) لجعل توبولوجيا الشبكات العصبية الرسومية قابلة للتكيف مع المدخلات، مما أدى إلى ظهور نماذج هجينة حديثة ومتقدمة. في نفس الوقت، تم محاولة استخدام نماذج Transformers بسيطة، لكنها ما زالت تتأخر عن أفضل النماذج القائمة على GCNs بسبب نقص المعلومات المسبقة الهيكلية. على عكس النماذج الهجينة، نقترح حلًا أكثر أناقة لدمج الاتصالات العظمية داخل نموذج Transformer من خلال تضمين تمثيل مسافة رسومية (graph distance embedding). يحتفظ هذا التمثيل بمعلومات البنية العظمية أثناء التدريب، في حين أن الشبكات العصبية الرسومية تستخدمها فقط في التهيئة. الأهم من ذلك، نكشف عن مشكلة أساسية موجودة في النماذج الرسومية بشكل عام، وهي أن عملية التجميع الزوجي تتجاهل بشكل أساسي الاعتماديات الحركية من الدرجة العليا بين المفاصل. لسد هذه الفجوة، نقترح آلية انتباه ذاتي جديدة تعمل على الرسوم البيانية الهيبرية، تُسمى "الانتباه الذاتي للرسوم البيانية الهيبرية" (Hypergraph Self-Attention أو HyperSA)، لدمج العلاقات الداخلية من الدرجة العليا داخل النموذج. ونطلق على النموذج الناتج اسم Hyperformer، والذي يتفوق على أحدث النماذج الرسومية من حيث الدقة والكفاءة على مجموعات بيانات NTU RGB+D وNTU RGB+D 120 وNorthwestern-UCLA.