في عالم الذكاء الاصطناعي وتقدير أوضاع البشر، شهدنا في السنوات الأخيرة تطورًا ملحوظًا بفضل استخدام الطرق المعتمدة على نماذج التحويل (Transformers). ومع ذلك، كانت معظم الحلول الحالية تعالج التفكير الزمكاني (spatial-temporal reasoning) كخطوات منفصلة، مما قد يحدث ضعفًا في الترابط بين الأبعاد المختلفة للحركة البشرية، بالإضافة إلى فقدان المعلومات الهيكلية عند معالجة الأطر الزمنية.

لذا، جاء HSTGFormer ليشكل انطلاقة جديدة في هذا المجال. هذا الإطار الجديد المعزز بالجرافات (Graph-enhanced) يعيد صياغة التفكير الزمكاني كعملية تجميع جرافات مرتبطة محليًا عبر نقاط زمنية مشتركة. يقدم HSTGFormer جراف الطيف الزمني المكرر (Hyper Spatial-Temporal Graph - HSTG) الذي يجزئ التفكير الزمكاني العام إلى حقول استقبالية محلية حول كل نقطة زمنية، مما يسمح بالتفكير المرتبط بالهيكل مع الحفاظ على معلومات الحركة الهيكلية المحلية.

المفهوم الثوري الآخر هو إدماج جراف زمني ثنائي القياس التكيفي (Adaptive Dual-Scale Temporal Graph - ADSTG) لالتقاط الاعتماديات الزمنية الخاصة بالمفاصل عبر نوافذ زمنية قصيرة وطويلة. يوجد أيضًا وحدة دمج خفيفة الوزن تقوم بتكيف ودمج التمثيلات الجرافية لكل نقطة زمنية.

التجارب التي أجريت على مجموعات بيانات Human3.6M وMPI-INF-3DHP أثبتت أن HSTGFormer يحقق دقة عالية مع كفاءة حسابية مرتفعة، مما يجعله خيارًا مثاليًا للبحث والتطبيقات في مجال تقدير أوضاع البشر ثلاثية الأبعاد.

ما رأيكم في هذه التطورات الجديدة في مجال الذكاء الاصطناعي؟ شاركونا آراءكم وتجاربكم في التعليقات!