التقدير المتكيف مع المجال لموضع الإنسان ثنائي الأبعاد باستخدام معلمين مزدوجين في ظروف الإضاءة شديدة الضعف

تتركز أبحاث التقدير الحالي لوضعية الإنسان ثنائية الأبعاد بشكل أساسي على السيناريوهات المضاءة جيدًا، مع استكشاف محدود للظروف ذات الإضاءة السيئة، والتي تعتبر جانبًا شائعًا في الحياة اليومية. تتطلب الدراسات الحديثة حول تقدير وضعية الإنسان في ظروف الإضاءة المنخفضة استخدام صور متناظرة مضاءة جيدًا وذات إضاءة منخفضة مع الحقائق الأرضية للتدريب، وهو ما يعتبر غير عملي بسبب التحديات المرتبطة بعملية التعليمة على الصور ذات الإضاءة المنخفضة. بهدف حل هذه المشكلة، نقدم نهجًا جديدًا يلغي الحاجة إلى الحقائق الأرضية في ظروف الإضاءة المنخفضة. تتمثل روح التجديد الرئيسية لدينا في الاستفادة من شبكتين تعليميتين مكملتين لإنتاج علامات زائفة أكثر ثقة، مما يمكّن نموذجنا من تحقيق أداء تنافسي على الصور ذات الإضاءة المنخفضة للغاية دون الحاجة إلى التدريب باستخدام الحقائق الأرضية في ظروف الإضاءة المنخفضة. يتكون إطار عملنا من مرحلتين. في المرحلة الأولى، يتم تدريب النموذج على بيانات ذات إضاءة جيدة مع زيادة الإضاءة المنخفضة. وفي المرحلة الثانية، نقترح إطار عمل تعليمي مزدوج لاستخدام البيانات غير المعلمة ذات الإضاءة المنخفضة، حيث يقوم المعلم الرئيسي القائم على المركز بإنتاج العلامات الزائفة للحالات النسبيًا المرئية، بينما يركز المعلم المكمل القائم على النقاط الرئيسية على إنتاج العلامات الزائفة للأفراد الذين لم يتم التقاطهم بواسطة المعلم الرئيسي. باستخدام العلامات الزائفة من كلا المعلمين، نقترح زيادة الإضاءة المنخفضة الخاصة بالأفراد لتحدي النموذج الطالب أثناء التدريب لتحقيق تفوق على المعلمين. أظهرت النتائج التجريبية على مجموعة بيانات الحالة الواقعية (ExLPose-OCN) أن طريقتنا حققت تحسينًا بنسبة 6.8٪ (2.4 AP) مقارنة بأفضل الطرق المعروفة حاليًا (SOTA)، رغم عدم استخدام أي بيانات حقيقية ذات إضاءة منخفضة في نهجنا، وذلك بخلاف أفضل الطرق المعروفة حاليًا (SOTA). سيتم توفير الكود الخاص بنا عبر الرابط: https://github.com/ayh015-dev/DA-LLPose.请注意，这里的“中心”指的是center-based方法，“主要点”指的是keypoints-based方法。在阿拉伯语中，这些术语通常会根据上下文进行适当的翻译。